Interpretace spekter materiálu může být řízena datami pomocí strojového učení

Kedy zamrzne chladiaca zmes motora? Porovnanie - TOPSPEED.sk (Smět 2019).

Anonim

Spektroskopické techniky se běžně používají při výzkumu materiálů, protože umožňují identifikaci materiálů z jejich jedinečných spektrálních vlastností. Tyto charakteristiky korelují s specifickými vlastnostmi materiálů, jako jsou jejich atomová uspořádání a struktura chemických vazeb. Moderní spektroskopické metody umožnily rychlé generování obrovského množství spektrálních materiálů, je však nutné interpretovat tyto spektra tak, aby získaly relevantní informace o studovaném materiálu.

Výklad spektra však není vždy jednoduchý úkol a vyžaduje značnou odbornost. Každé spektrum je porovnáno s databází obsahujícími četné vlastnosti referenčního materiálu, ale neznámé vlastnosti materiálu, které nejsou v databázi, mohou být problematické a často je třeba je interpretovat pomocí spektrálních simulací a teoretických výpočtů. Kromě toho skutečnost, že nástroje moderní spektroskopie mohou generovat desítky tisíc spekter z jediného experimentu, značně zatěžuje běžné interpretační metody řízené člověkem, a proto je zapotřebí více datově řízeného přístupu.

Použití velkých technik analýzy dat přitahuje pozornost v aplikacích vědy o materiálech a vědci z Ústavu průmyslové vědy na Tokijské univerzitě si uvědomili, že tyto techniky mohou být použity k interpretaci mnohem většího počtu spekter než tradiční přístupy. "Vyvinuli jsme přístup založený na datových technologiích založený na technologiích učení pomocí strojů kombinací metody clustering vrstev a rozhodovacího stromu, " uvádí spoluřešitel Teruyasu Mizoguchi.

Tým použil teoretické výpočty ke konstrukci spektrální databáze, ve které každé spektrum mělo individuální korespondenci se svou atomovou strukturou a kde všechny spektra obsahovaly stejné parametry. Použití dvou strojových učebních metod umožnilo vývoj jak metody spektrální interpretace, tak metody spektrální predikce, která se používá, když je známa atomová konfigurace materiálu.

Metoda byla úspěšně aplikována na interpretaci komplexních spekter ze dvou metod jádro-elektronové ztrátové spektroskopie, energetické ztráty v blízkosti okrajové struktury (ELNES) a rentgenové absorpce v blízkosti okrajové struktury (XANES) a byla také použita k předpovědi spektrální funkce, kdy byly poskytnuty podstatné informace. "Náš přístup má potenciál poskytovat informace o materiálu, který nelze určit ručně a předpovídat spektrum z geometrických informací materiálu, " říká hlavní autor Shin Kiyohara.

Navrhovaná metoda strojového učení se však neomezuje na spektra ELNES / XANES a může být použita k rychlé a přesné analýze jakýchkoli spektrálních dat bez nutnosti odborných znalostí. V důsledku toho se očekává, že metoda bude mít širokou použitelnost v různých oborech, jako je návrh polovodičů, vývoj baterie a analýza katalyzátoru.

menu
menu