Tolkning av materielle spektra kan være datastyrt ved hjelp av maskinlæring

A kinder, gentler philosophy of success | Alain de Botton (April 2019).

Anonim

Spektroskopiteknikker brukes ofte i materialforskning fordi de muliggjør identifisering av materialer fra deres unike spektrale egenskaper. Disse funksjonene er korrelert med spesifikke materialegenskaper, som deres atomkonfigurasjoner og kjemiske bindingsstrukturer. Moderne spektroskopimetoder har muliggjort rask generering av enormt antall materialspekter, men det er nødvendig å tolke disse spektrene for å samle relevant informasjon om materialet som er under studiet.

Men tolkningen av et spekter er ikke alltid en enkel oppgave og krever betydelig kompetanse. Hvert spektrum sammenlignes med en database som inneholder mange referansematerialeegenskaper, men ukjente materielle egenskaper som ikke er til stede i databasen, kan være problematiske og må ofte tolkes ved hjelp av spektrale simuleringer og teoretiske beregninger. I tillegg tilfører det faktum at moderne spektroskopiinstrumenter kan generere titusenvis av spektra fra et enkelt eksperiment en betydelig belastning på konvensjonelle, menneskedrevne tolkningsmetoder, og det kreves derfor en mer data-drevet tilnærming.

Bruk av store dataanalyseteknikker har vært å tiltrekke seg oppmerksomhet i materialvitenskapsapplikasjoner, og forskere ved Universitetet i Tokyo Institute of Industrial Science innså at slike teknikker kan brukes til å tolke mye større spektrum enn tradisjonelle tilnærminger. "Vi utviklet en data-drevet tilnærming basert på maskinlæringsteknikker ved hjelp av en kombinasjon av lagklynging og beslutningstreet metoder, " sier co-tilsvarende forfatter Teruyasu Mizoguchi.

Laget brukte teoretiske beregninger for å konstruere en spektraldatabase hvor hvert spektrum hadde en en-til-en korrespondanse med sin atomstruktur og hvor alle spektrene inneholdt de samme parametrene. Bruk av de to maskinlæringsmetodene tillot utviklingen av både en spektralfortolkningsmetode og en spektralprediksjonsmetode, som brukes når et materiales atomkonfigurasjon er kjent.

Metoden ble vellykket anvendt på tolkning av komplekse spektra fra to kjerne-elektron-tapspektroskopi-metoder, energitap-nærkantsstruktur (ELNES) og røntgenabsorpsjon nærkantskonstruksjon (XANES), og ble også brukt til å forutsi spektral funksjoner når viktig informasjon ble gitt. "Vår tilnærming har potensial til å gi informasjon om et materiale som ikke kan bestemmes manuelt og kan forutsi et spektrum fra materialets geometriske informasjon alene, " sier lederforfatter Shin Kiyohara.

Imidlertid er den foreslåtte maskinlæringsmetoden ikke begrenset til ELNES / XANES-spektra og kan brukes til å analysere spektraldata raskt og nøyaktig uten behov for spesialkompetanse. Som et resultat forventes metoden å ha bred anvendelighet i felt som er så forskjellige som halvlederdesign, batteriutvikling og katalysatoranalyse.

menu
menu