干将：面向X射线衍射分析的自学习科学智能体 A self-learning scientific agent for X-ray diffraction
干将智能体把衍射分析经验固化为可验证的技能，物相鉴定与精修全面领先基准
前置知识
粉末X射线衍射（PXRD）
多晶样品中无数随机取向的晶粒同时散射X射线，把三维倒易空间压缩成一维强度-角度谱。峰位由晶面间距决定（Bragg 定律 $2d\sin\theta=n\lambda$），相对强度反映原子排布与物相丰度，峰宽携带晶粒尺寸、应变与仪器效应的信息，是连接合成材料与原子结构的核心表征手段。
本文的全部任务——物相鉴定、多相分解、全谱精修——都建立在对 PXRD 谱图物理含义的理解之上，不懂峰位/强度/峰宽各自编码什么，就无法理解证据门控设计。
Rietveld 全谱精修
以候选晶体结构计算理论衍射谱，通过最小化观测谱与计算谱的加权残差，同时精修晶格常数、峰形参数、背景与物相分数；用 $R_p$、$R_{wp}$ 等指标评估，其中 $R_{wp}$ 对大残差加权更敏感，是判断结构模型能否成立的金标准。
干将的技能学习以精修分数为奖励信号，留出集精修分的提升（如 FullProf 46.90→72.38）直接由这类指标度量，是理解自改进实验的前提。
物相鉴定与 search–match
从实测峰位与强度出发，在晶体结构数据库中检索能解释全部观测峰的候选相：先做峰检测，再构建理论峰库，按峰位与相对强度的匹配质量打分排序；多相样品则需要组合多个相共同覆盖谱图，并惩罚多余相。
XMatcher、AutoXRD、AutoAnalyzer 等方法均属此类，理解其打分与排序逻辑，才能看懂 Table 1/2 中对比实验的设计与差异。
LLM 智能体与技能库（skill library）
以语言模型为规划器、外部工具为执行器的系统；技能库把'怎么做'存成指令+提示+可执行代码的外部记忆，由路由器按任务检索。模型参数可保持冻结，经验通过修改技能而非微调模型来积累，修订可版本化并做回归测试。
干将采用读写式反思学习：执行轨迹驱动技能修订。理解'经验存在技能层而非模型层'是把握全文创新点与自学习实验设计的关键。
WPEM 统计全谱分解
把扣背景后的谱表示为 pseudo-Voigt 峰形函数的非负混合，用期望最大化（EM）算法估计软分量责任；布拉格位置与峰形约束把统计混合与晶体学模型耦合，软分配允许重叠反射共享观测强度而不产生负峰，专为强重叠信号设计。
PyWPEM 是干将处理 PbSO$_4$ 等 383 对重叠反射体系时的物理引擎，理解 EM 软分配才能明白它与普通逐峰拟合的本质差别。
Top-k / MRR@5 / 宏平均 F1
排序与集合预测指标：Top-$k$ 是正确答案出现在前 $k$ 的比例，$\mathrm{MRR@5}=\frac{100}{N}\sum_i 1/r_i$；多相预测经一对一结构匹配得匹配数 $m_i$，宏精确率 $P_i=m_i/p_i$、召回率 $R_i=m_i/t_i$、$F_{1i}=2m_i/(p_i+t_i)$，精确集合恢复要求 $m_i=p_i=t_i$。
Table 1/2 的所有数字都由这些指标定义；理解'缺失预测计零、覆盖率 $100|V|/N$ 只作分子不作分母'的约定，才能正确比较各方法成绩。
研究动机
粉末X射线衍射（PXRD）把多晶样品的散射压缩成一维谱图：峰位约束晶格间距、强度反映原子排布与物相丰度、峰形携带微结构信息，但从中反推结构是一个病态逆问题——衍射峰重叠、晶体无序、择优取向和测量不完整都会让不同模型难以区分。例如论文中的正交 PbSO$_4$ 样品在 Cu K$_\alpha$ 辐射下就有 383 对布拉格反射两两重叠，孤立指峰根本不可靠，可靠解释需要一连串关于候选结构、精修参数和未解释残差的决策。高通量测量与自主实验室又把这类判断需求成倍放大。现有机器学习方法能分类物相、检索结构、直接生成结构候选，自动精修程序和新兴智能体也能把预测接到数值验证，但闭环止于单次分析：某次失败的精修、专家的手工纠错、成功恢复的策略并没有被系统性地转化为可复用且经过检验的知识，下一个样品的分析不会因此变得更好。
本文的目标是本文要构建名为干将（Gan Jiang）的自学习X射线衍射分析智能体，让'把测量变成结构结论'的整套流程本身成为可学习的对象。具体目标有三层：其一，把作者自研的衍射分析工具生态——XMatcher（可解释 search–match）、XQueryer-LW（元素引导的神经检索）、XDecomposer（多相分解）与 WPEM/PyWPEM（物理约束全谱建模），加上 FullProf 与 GSAS-II 两条成熟精修分支——整合成统一的分析框架；其二，在不重训语言模型、不改动底层物理模型的前提下，把分析经验固化为可执行技能，并用冻结版本在留出样本上验证这些技能真能迁移；其三，构建并发布 DeltaXRDbench 基准（62,044 张谱图，覆盖模拟与实验数据），在单相与多相物相鉴定两条赛道上与其他方法做可控、可复现的对比。
与已有工作不同的是，已有工作要么把智能体当作'单样本分析器'，闭环只在一个样品内完成；要么用固定候选库分类器（AutoXRD）或依赖元素预测器的生成式模型（Uni3DAR、PXRDGen-Flow、XtalNet）直接预测结构。本文的独特切入是把'分析流程'本身当作一等公民的可学习对象：采用读写式反思学习，技能以'指令+提示+可执行代码'的形式存于外部记忆，反思环节把衍射残差、执行结果和精修物理合理性绑定到具体修订；候选修订先经成对开发集检验，再冻结后在留出集上与初始专家流程对比，从而在操作层面区分'这一个样品上把晶格参数调好'（样本级优化）与'下一次分析该按什么步骤做'（技能级学习）。这种'经验→经过验证的技能'的显式转化机制，正是该领域此前缺失的一环。
核心方法
干将把一次衍射分析组织为五个阶段：接收谱图与上下文、检索候选结构、检验证据、精修受支持模型、输出报告。输入层刻意保留三种表示：观测谱 O（全角度范围、原始标度）用于峰分析与检验；模型输入 M（10°–90°重采样 3,500 点、归一化）专供 XQueryer-LW；检验输入 I 供检查器使用，防止面向检索的预处理污染实验证据。候选生成由 XMatcher 峰位匹配与 XQueryer-LW（需用户提供元素）双通道完成，按材料同一性合并并保留来源排名；混合物在自动模式下由单相假设被完整否决后触发 XMatcher-AutoMix 或 XDecomposer 进入多相分支。XRDinspector 对候选 CIF 实施'检验器判定+元素一致+必过峰证据门'的验收。精修走 PyWPEM、FullProf 或 GSAS-II，精修检查器按检验分与峰覆盖率排序，至多允许一次预算性重试。学习层面，读写式反思学习让每条执行轨迹驱动技能修订，Bragg 定律 $2d\sin\theta=n\lambda$ 等物理约束保留在底层引擎中，语言模型参数全程冻结。
核心创新是'可执行技能 + 证据门控 + 冻结模型下反思修订'的三位一体。与把经验写进提示词或微调模型不同，干将的持久记忆是可执行技能：每条技能规定了做什么、何时做、如何评估结果，包含指令、提示与支撑代码，修订发生在技能层而非模型层，输入输出接口保持不变以便新旧版本直接对比。与常见智能体把工具报错当作'继续尝试'信号不同，干将显式区分计算失败与科学证据——一次工具调用失败不能证明样品是多相的，多相分支只在单相假设被证据完整否决后才启动。与一般'自我改进'的模糊说法不同，本文把改进做成可检验命题：训练片段产生候选修订，成对开发评估决定去留，随后冻结版本在留出样本上与初始专家流程对比（FullProf 46.90→72.38 等数字即来自这种受控比较），保证增益来自技能本身而非对开发数据的过拟合。
方法步骤详情
完整流程如下。第一步，本地解析并校验输入，产出 O/M/I 三种谱图工件与元数据。第二步候选召回：XMatcher 从观测峰构建理论峰库，做有界全局峰移搜索，用结合峰位与相对强度差异的代价函数做一一指派，按匹配精确率、理论峰召回率、强度覆盖与平均指派质量排名；用户提供元素时 XQueryer-LW 作为第二通道（原始谱加三个低通傅里叶重构输入深度可分离一维卷积编码器，元素引导查询经归一化余弦分类器输出排序）。第三步证据检验：导出候选 CIF，检查器报告强度加权观测覆盖率、预测峰精确率、各相支持度与混合物非负强度一致性，接受需通过全部峰证据门，允许有界角度偏移试探但不视为仪器校准。第四步精修：受支持相集或用户 CIF 进入 PyXplore/FullProf/GSAS-II，检查器对比对齐后的观测-计算谱，按检验分与峰覆盖率选出通过者，收敛或迭代预算问题至多重试一次，无法解释的峰则回到假设修正。第五步报告：输出 CIF、剖面图、诊断与含哈希的审计记录。第六步学习：从执行轨迹归因失败，提出指令/支撑代码/精修设置的修订，经成对开发评估择优保留，冻结后与初始流程在留出集上比较。
技术新颖性
技术新颖性体现在四点。第一，生态整合：XMatcher、XQueryer-LW、XDecomposer、PyWPEM、FullProf、GSAS-II 各司其职，而现有基线要么只用固定候选库分类（AutoXRD），要么是依赖元素预测器的生成式管线（Uni3DAR、PXRDGen-Flow、XtalNet），要么是可重训的 CNN/组合管线（AutoAnalyzer、S-CNN），没有一个同时覆盖检索、分解、物理约束精修与证据检验。第二，把反思学习用于科学仪器工作流：失败归因指向具体流程环节，修订与衍射残差和精修物理合理性绑定，例如 GSAS-II 技能新增显式参数传递与保存输出校验，防止'请求被静默忽略'或诊断与存储结果不符。第三，评测方法学本身可复用：DeltaXRDbench 以提交 CIF 的结构匹配代替数据库 ID，单相排序列表与多相集合预测分离评估，覆盖率 $100|V|/N$ 只作分子不作分母，缺失预测一律计零留在分母。第四，技能版本化与回归检查为部署期持续学习提供了工程范式。
实验结果
论文用三条证据链支撑结论。应用层面：正交 PbSO$_4$ 全谱精修达 $R_p=2.753\%$、$R_{wp}=5.926\%$；古埃及化妆品五相定量为石膏 12.53%、磷氯铅矿 18.53%、白铅矿 32.02%、方铅矿 9.69%、氯羟铅矿 27.23%（$R_{wp}=13.079\%$）；Ru–Mn 氧化物构型筛选精修 $R_p=1.447\%$、$R_{wp}=3.129\%$（CCDC 2530452）。技能迁移：留出集平均精修分 FullProf 46.90→72.38、GSAS-II 39.01→60.02、PyWPEM 31.74→38.33。单相基准（XRD-only top-1）：MP500 96.30% 对 AutoXRD 58.00%、RRUFF 81.78% 对 58.47%、opXRD 40.83% 对 26.45%；加组成后升至 99.90%、92.16%、48.93%，MRR@5 达 96.94%、86.01%、42.22%。多相基准（各 1,000 混样、三种子）：XRD-only 宏 F1 66.98%、56.23%、27.04% 全面领先，Exact 22.80%、15.90%、3.10%；加组成后 F1 91.61%、78.56%、38.21%，覆盖率恒为 100%。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 单相物相鉴定（模拟数据 MP500，N=10,000） | Top-1 准确率（XRD-only） | 96.30% | AutoXRD 58.00%（Uni3DAR/PXRDGen/XtalNet 均≈0） | +38.30 个百分点 |
| 单相物相鉴定（实验矿物 RRUFF，N=1,164） | Top-1 准确率（XRD-only） | 81.78% | AutoXRD 58.47% | +23.31 个百分点 |
| 单相物相鉴定（实验 opXRD，N=880） | Top-1 准确率（XRD-only） | 40.83% | AutoXRD 26.45% | +14.38 个百分点 |
| 单相物相鉴定（MP500） | MRR@5（XRD-only） | 96.94% | AutoXRD 60.17% | +36.77 个百分点 |
| 多相物相鉴定（MP500，1,000 混样×3 种子） | 样本级宏 F1（XRD-only） | 66.98% | AutoAnalyzer 51.12%（AutoXRD 43.24%） | +15.86 个百分点 |
| 多相物相鉴定（RRUFF，1,000 混样×3 种子） | 精确集合恢复率 Exact（XRD-only） | 15.90% | AutoXRD 13.80%（AutoAnalyzer 6.40%） | +2.10 个百分点 |
| 多相物相鉴定（opXRD，1,000 混样×3 种子） | 样本级宏 F1（XRD-only） | 27.04% | AutoAnalyzer 20.14% | +6.90 个百分点 |
| 多相物相鉴定（MP500，组成辅助） | Exact / 宏 F1 | 69.70% / 91.61% | AutoXRD 59.00% / 81.75% | +10.70 / +9.86 个百分点 |
| 精修工作流自改进（FullProf 分支） | 留出集平均精修分（冻结版本对比） | 72.38（技能修订后） | 46.90（初始专家流程） | +25.48 |
| 精修工作流自改进（GSAS-II 分支） | 留出集平均精修分（冻结版本对比） | 60.02（技能+设置联合优化后） | 39.01（初始专家流程） | +21.01 |
| 精修工作流自改进（PyWPEM 分支） | 留出集平均精修分（冻结版本对比） | 38.33（技能优化后） | 31.74（初始专家流程） | +6.59 |
局限与改进
作者明确承认的局限：其一，opXRD 谱图常覆盖不全的角度范围，单相 top-1 只有 40.83%，说明结构歧义可能源于'从未测量到区分性信息'；其二，即使有组成辅助，多相精确集合恢复仍很困难（opXRD 上仅 8.20%），且 DeltaXRDbench 的混合谱是源谱叠加生成，不能复现物理混合样品的全部效应；其三，PyWPEM 分支增益较小（31.74→38.33），收益依赖初始工作流、引擎与允许的修订范围，冻结版本对比评估的是整体迁移而非单个编辑的贡献；其四，当前实验证明的是'受控修订后的迁移'，而非部署期开放式改进的纵向证据。我的补充观察：XQueryer-LW 被训练为元素感知模型，XRD-only 条件下神经检索通道缺失，无元素场景的能力未被单独验证；语言模型的身份、规模与调用成本在正文未披露；技能学习的训练片段规模与开发/留出集划分细节也主要放在补充材料。
独立分析的弱点
独立分析几个弱点。第一，元素依赖不对称：XQueryer-LW 需要用户提供元素才能启用，XRD-only 时检索只剩 XMatcher 一条腿，面对成分完全未知的新材料发现场景系统会退化，改进方向是训练元素无关版本的 XQueryer 或用生成式结构先验补位。第二，多相触发逻辑保守：自动模式必须等单相假设被完整拒绝才进入混合分支，在明显多相的工业样品上会浪费大量单相检索与检验预算，可引入谱图复杂度先验提前路由。第三，基准与现实差距：混合谱由源谱叠加生成，缺少吸收、微吸收、择优取向等真实混合效应，真实样品上的成绩可能低于表中数字，建议增加物理混合的第三方验证集。第四，技能学习收益不均衡：PyWPEM 仅提升 6.59 分，提示反思修订空间受引擎接口与参数自由度限制，可扩展允许的修订类别（如背景模型选择、数据分段策略）。第五，部署期学习（图 4e）只有架构设想没有实验支撑，回归检查阈值与回滚触发条件都需要工程化落地并验证。第六，100% 的覆盖率在 opXRD 上对应仅 27.04% 的 F1，'必有输出'与'输出可信'之间的落差需要在报告中更醒目地提示用户。
未来方向
作者提出的核心方向是把学习从'解释测量'延伸到'决定测量'：当智能体识别出区分竞争假设所缺失的衍射特征时，可直接指挥衍射仪补测目标区间，重新评估解释并把经验写入技能库，前瞻性实验将检验这种分析—实验闭环能否提升测量效率与结构推断质量。基于本文成果还可延伸：把读写式反思学习迁移到其他表征手段（TEM、NMR、红外光谱），形成通用的科学分析技能库；利用 DeltaXRDbench 的结构匹配指标做主动学习，挑选高不确定性谱图扩充训练数据；把版本化技能库与共享仓库结合，实现跨实验室的流程知识沉淀与复用；针对 opXRD 低准确率问题，融合成分、光谱等多模态信息缓解测量不完整带来的歧义；把基准扩展到四相以上混合物、更宽角度网格与含噪声仿真，推动物相鉴定走向真实工业样品；以及用消融实验量化各引擎与技能修订类别的独立贡献。
复现评估
复现条件属中等偏难。开源情况：DeltaXRDbench 的数据资源与评测工具在 github.com/DeltaGanjiang/deltaxrdbench 公开，代码公开部分在 github.com/DeltaGanjiang，智能体架构与技能学习细节主要在补充方法中描述。数据方面：候选库为 100,315 个 MP500 结构（1–360 原子/胞，中位数 20）加 2,007 个实验结构（RRUFF 1,159 个、opXRD 与私有分支共 848 个），带源标识与 SHA-256 校验，但私有分支不可完全获取，严格复现 opXRD 全部数字会有缺口。评测协议确定性好：统一 10°–80°、0.01° 网格，三固定种子且不跨种子池化，覆盖率、Top-$k$、MRR@5、宏 F1、精确集合恢复均在 Methods 中给出公式。算力门槛在于训练或加载 XQueryer-LW 与 XDecomposer 的检查点、部署 PyXplore/FullProf/GSAS-II 三条精修分支，语言模型后端的规格与调用开销未在正文说明，技能学习的开发评估轮次也需依赖补充材料。
论文图表
