Interpretacija spektralnih materialov je lahko podatkovno vodena z uporabo strojnega učenja

Tehnopur d.o.o. - brizgana poliuretanska folija Poliureja (Junij 2019).

Anonim

Tehnologije spektroskopije se pogosto uporabljajo pri raziskavah materialov, saj omogočajo prepoznavanje materialov od njihovih edinstvenih spektralnih značilnosti. Te značilnosti so v korelaciji s specifičnimi lastnostmi materiala, kot so njihove atomske konfiguracije in strukture kemijskih vezi. Sodobne metode spektroskopije so omogočile hitro generiranje ogromnega števila materialnih spektrov, vendar je treba te spektre interpretirati, da bi zbrali relevantne informacije o študijskem gradivu.

Vendar razlaga spektra ni vedno preprosta naloga in zahteva znatno strokovno znanje. Vsak spekter se primerja z bazo podatkov, ki vsebuje številne lastnosti referenčnega materiala, vendar pa so neznane materialne lastnosti, ki niso v zbirki podatkov, lahko problematične in jih je treba pogosto interpretirati s spektralnimi simulacijami in teoretičnimi izračuni. Poleg tega dejstvo, da lahko sodobni spektroskopski instrumenti ustvarjajo več deset tisoč spektrov iz enega samega eksperimenta, močno obremenjuje običajne metode interpretacije, ki jih poganja človek, in zato je potreben bolj podatkovni pristop.

Uporaba tehnik velike tehnike analize je pritegnila pozornost pri aplikacijah s področja materialov, raziskovalci na Inštitutu za industrijske znanosti Univerze v Tokiu pa so ugotovili, da bi se takšne tehnike lahko uporabile za razlago precej večjega števila spektrov od tradicionalnih pristopov. "Razvili smo podatkovno usmerjen pristop, ki temelji na tehnikah strojnega učenja z uporabo kombinacije slojevnih skupin in metod dreves odločitvenih odločitev, " pravi soodgovorni avtor Teruyasu Mizoguchi.

Ekipa je uporabila teoretične izračune za izdelavo spektralne podatkovne baze, v kateri je imel vsak spekter eno-eno korespondenco z atomsko strukturo in kjer so vsi spektri vsebovali iste parametre. Uporaba dveh metod strojnega učenja je omogočila razvoj metode spektralne interpretacije in metode spektralne napovedi, ki se uporablja, ko je poznana atomska konfiguracija materiala.

Metoda je bila uspešno uporabljena pri interpretaciji kompleksnih spektrov iz dveh metod jedrske elektronske absorpcijske spektroskopije, strukture zgornjega dela energije (ELNES) in rentgenske absorpcijske strukture (XANES), ki je bila uporabljena tudi za napovedovanje spektra značilnosti, ko so bile predložene pomembne informacije. "Naš pristop ima potencial za zagotavljanje informacij o materialu, ki ga ni mogoče določiti ročno in lahko predvidi samo spekter iz geometrijskih podatkov o materialu", pravi vodilni avtor Shin Kiyohara.

Vendar predlagana metoda strojnega učenja ni omejena na spektre ELNES / XANES in se lahko uporablja za analizo vseh spektralnih podatkov hitro in natančno brez potrebe po specializiranem strokovnem znanju. Kot rezultat, se pričakuje, da bo metoda široko uporabna na področjih, ki so različna kot polprevodniško oblikovanje, razvoj baterij in analiza katalizatorja.

menu
menu