X-ray Diffraction Data Analysis by Machine Learning Methods—a review

---

Citation:
Surdu, V.-A.; Gy˝orgy, R.
X-ray Diffraction Data Analysis by
Machine Learning Methods—A
Review. Appl. Sci. 2023, 13, 9992.
https://doi.org/10.3390/
app13179992
Academic Editor: Alexander
J. G. Lunt
Received: 4 August 2023
Revised: 1 September 2023
Accepted: 1 September 2023
Published: 4 September 2023
Copyright:
© 2023 by the authors.
Licensee MDPI, Basel, Switzerland.
This article is an open access article
distributed under the terms and
conditions of the Creative Commons
Attribution (CC BY) license (https://
creativecommons.org/licenses/by/
4.0/).
applied
sciences
Review
X-ray Diffraction Data Analysis by Machine Learning
Methods—A Review
Vasile-Adrian Surdu
1,2
and Romuald Gy ˝orgy
2,3,
*
1
Department of Science and Engineering of Oxide Materials and Nanomaterials, Faculty of Chemical
Engineering and Biotechnologies, National University of Science and Technology Politehnica Bucharest,
Gheorghe Polizu 1-7, 011061 Bucharest, Romania; [e-mail]
2
Academy of Romanian Scientists, Ilfov 3, 050044 Bucharest, Romania
3
Department of Chemical and Biochemical Engineering, Faculty of Chemical Engineering and Biotechnologies,
National University of Science and Technology Politehnica Bucharest, Gheorghe Polizu 1-7,
011061 Bucharest, Romania
*
Correspondence: [e-mail]
Abstract:
X-ray diffraction (XRD) is a proven, powerful technique for determining the phase composi-
tion, structure, and microstructural features of crystalline materials. The use of machine learning (ML)
techniques applied to crystalline materials research has increased significantly over the last decade.
This review presents a survey of the scientific literature on applications of ML to XRD data analysis.
Publications suitable for inclusion in this review were identified using the “machine learning X-ray
diffraction” search term, keeping only English-language publications in which ML was employed
to analyze XRD data specifically. The selected publications covered a wide range of applications,
including XRD classification and phase identification, lattice and quantitative phase analyses, and
detection of defects and substituents, as well as microstructural material characterization. Current
trends in the field suggest that future efforts pertaining to the application of ML techniques to XRD
data analysis will address shortcomings of ML approaches related to data quality and availability,
interpretability of the results and model generalizability and robustness. Additionally, future research
will likely incorporate more domain knowledge and physical constraints, integrate with quantum
physical methods, and apply techniques like real-time data analysis and high-throughput screening
to accelerate the discovery of tailored novel materials.