Interpretacja widm materiałowych może być oparta na danych za pomocą uczenia maszynowego

Anonim

Techniki spektroskopowe są powszechnie stosowane w badaniach materiałów, ponieważ umożliwiają identyfikację materiałów z ich unikalnych cech spektralnych. Cechy te są skorelowane ze specyficznymi właściwościami materiału, takimi jak ich konfiguracje atomowe i struktury wiązań chemicznych. Nowoczesne metody spektroskopii umożliwiły szybkie generowanie ogromnej liczby widm materiałowych, ale konieczne jest zinterpretowanie tych widm w celu zebrania istotnych informacji o badanym materiale.

Jednak interpretacja widma nie zawsze jest prostym zadaniem i wymaga znacznej wiedzy. Każde spektrum jest porównywane z bazą danych zawierającą wiele referencyjnych właściwości materiału, ale nieznane cechy materiału, które nie występują w bazie danych, mogą być problematyczne i często muszą być interpretowane za pomocą symulacji spektralnych i obliczeń teoretycznych. Ponadto fakt, że współczesne urządzenia do spektroskopii mogą generować dziesiątki tysięcy widm z jednego eksperymentu, znacząco obciąża konwencjonalne metody interpretacji powodowane przez człowieka i dlatego potrzebne jest podejście oparte na danych.

Wykorzystanie technik analizy dużych danych przyciągnęło uwagę w zastosowaniach związanych z materiałoznawstwem, a naukowcy z Instytutu Nauk Przemysłowych Uniwersytetu Tokijskiego zdali sobie sprawę, że takie techniki mogą być stosowane do interpretowania znacznie większej liczby widm niż tradycyjne podejścia. "Opracowaliśmy podejście oparte na danych w oparciu o techniki uczenia maszynowego, wykorzystujące kombinację metod grupowania warstw i drzew decyzyjnych" - stwierdza współodpowiadający autor Teruyasu Mizoguchi.

Zespół wykorzystał obliczenia teoretyczne do skonstruowania spektralnej bazy danych, w której każde widmo miało zgodność jeden do jednego z jego strukturą atomową i gdzie wszystkie widma zawierały te same parametry. Zastosowanie dwóch metod uczenia maszynowego umożliwiło opracowanie zarówno metody interpretacji spektralnej, jak i metody predykcji widmowej, która jest stosowana, gdy znany jest układ atomowy materiału.

Metoda została z powodzeniem zastosowana do interpretacji złożonych widm z dwóch metod spektroskopii strat jądro-elektronowych, struktury krawędziowej utraty energii (ELNES) i struktury pobocznej pochłaniania promieniowania rentgenowskiego (XANES), a także została wykorzystana do przewidywania spektrum funkcje, gdy dostarczono istotne informacje. "Nasze podejście może dostarczyć informacji o materiale, którego nie można określić ręcznie i może przewidzieć spektrum wyłącznie z informacji geometrycznych materiału" - mówi główny autor Shin Kiyohara.

Jednak proponowana metoda uczenia maszynowego nie jest ograniczona do widm ELNES / XANES i może być wykorzystana do szybkiej i dokładnej analizy danych spektralnych bez potrzeby specjalistycznej wiedzy. W rezultacie oczekuje się, że metoda ta będzie miała szerokie zastosowanie w dziedzinach tak różnych, jak projektowanie półprzewodników, rozwój baterii i analiza katalizatora.

menu
menu