Materjalide spektrite tõlgendamine võib olla masinloenduse abil andmete juhtimine

U.S. Economic Collapse: Henry B. Gonzalez Interview, House Committee on Banking and Currency (Juuli 2019).

Anonim

Materjalide uurimisel kasutatakse sageli spektroskoopia meetodeid, sest need võimaldavad materjalide identifitseerimist ainulaadsetest spektraalfunktsioonidest. Need omadused on seotud konkreetsete materjaliomadustega, näiteks nende aatomikonstruktsioonide ja keemiliste sideme struktuuridega. Kaasaegsed spektroskoopia meetodid võimaldasid kiiret põlvimist tohutul hulgal materjali spektrit, kuid neid spektreid on vaja tõlgendada uuritava materjali kohta asjakohase teabe kogumiseks.

Kuid spektri tõlgendamine ei ole alati lihtne ülesanne ja see nõuab märkimisväärseid teadmisi. Iga spektrit võrreldakse andmebaasiga, mis sisaldab arvukalt võrdlusmaterjali omadusi, kuid tundmatud materjaliomadused, mida andmebaasis ei esine, võivad olla probleemsed ja neid tuleb sageli tõlgendada spektraalsete simulatsioonide ja teoreetiliste arvutuste abil. Lisaks sellele, asjaolu, et kaasaegsed spektroskoopilised instrumendid võivad genereerida kümneid tuhandeid spektreid ühel katsel, seavad märkimisväärse pinge traditsiooniliste inimpõhiste tõlgendamismeetodite jaoks ja seetõttu on vaja rohkem andmeid juhitavat lähenemisviisi.

Suurte andmeanalüüsi tehnikate kasutamine on pööranud tähelepanu materiaalteaduslikele rakendustele, ja Tokyo Ülikooli Tööstusinstituudi teadlased teatasid, et selliseid meetodeid saab kasutada palju suurema arvu spektrite tõlgendamiseks kui traditsioonilised lähenemised. "Oleme välja töötanud andmepõhise lähenemise, mis põhineb masinõppe meetoditel, kasutades kihtide klastrite ja otsustuspuude meetodeid, " selgitab kaasautor autor Teruyasu Mizoguchi.

Meeskond kasutas spektraalse andmebaasi loomiseks teoreetilisi arvutusi, milles iga spektri üks-ühele vastavus aatomistruktuuriga ja kus kõik spektrid sisaldasid samu parameetreid. Kaks masinõppemeetodite kasutamine võimaldas nii spektraalse tõlgendamise meetodi kui ka spektraalse ennustamise meetodi väljatöötamist, mida kasutatakse materjali aatomikonfiguratsiooni teadaolemisel.

Seda meetodit rakendati edukalt kahe keerukate elektronide kadu spektroskoopia meetodite, energiakadu lähiserva struktuuri (ELNES) ja röntgenikiirte imamissüsteemi lähiserva struktuuri (XANES) keerukate spektrite tõlgendamiseks, ning seda kasutati ka spektraalsete olulise teabe edastamisel. "Meie lähenemisviisil on potentsiaal anda teavet materjali kohta, mida ei saa käsitsi määrata, ja võib ennustada spektrit ainult materjali geomeetrilisest teabest, " ütleb pliiautor Shin Kiyohara.

Kuid pakutud masinaõppemeetod ei piirdu ELNES / XANESi spektritega ja seda saab kasutada kõigi spektraalandmete analüüsimiseks kiiresti ja täpselt, ilma et oleks vaja eriteadmisi. Selle tulemusena eeldatakse, et meetod on laialdaselt rakendatav erinevates valdkondades nagu pooljuhtkonstruktsioon, aku väljatöötamine ja katalüsaatorianalüüs.

menu
menu