Exploring Joint-Embedding Predictive Architectures for Self-Supervised Representation Learning of Powder X-ray Diffraction Patterns
Este artigo introduz uma Arquitetura de Predição de Embedding Conjunto (JEPA) autossupervisionada para padrões de Difração de Raios X de Pó que aprende representações cristalográficas de alto nível, permitindo a classificação precisa de grupos espaciais e a estimativa de parâmetros de rede, enquanto organiza naturalmente transformações físicas e gera padrões de misturas multifásicas realistas sem supervisão explícita.