Materialinių spektrų interpretavimas gali būti grindžiamas duomenimis naudojant mašinų mokymąsi

Tiems, kas nori MATERIALINIŲ DŽIAUGSMŲ labiau nei Dvasinių.. ir jaučia dėl to nepasitenkinimą. (Birželis 2019).

Anonim

Spektroskopijos metodai dažniausiai naudojami medžiagų tyrimuose, nes jie leidžia identifikuoti medžiagas iš unikalių spektrinių savybių. Šios savybės yra susijusios su konkrečiomis medžiagos savybėmis, tokiomis kaip jų atominės konfigūracijos ir cheminių ryšių struktūros. Šiuolaikiniai spektroskopijos metodai leido greitai pagaminti milžinišką medžiagų spektrų skaičių, tačiau būtina aiškinti šiuos spektrus, norint surinkti svarbią informaciją apie tiriamą medžiagą.

Tačiau spektro aiškinimas ne visada yra paprastas uždavinys ir reikalauja daug patirties. Kiekvienas spektras yra lyginamas su duomenų baze, kurioje yra daugybė etaloninių medžiagų savybių, tačiau nežinomos materialinės savybės, kurios nėra duomenų bazėje, gali būti problemiškos ir dažnai turi būti interpretuojamos naudojant spektrinius modelius ir teorinius skaičiavimus. Be to, tai, kad šiuolaikinės spektroskopijos priemonės gali sukurti dešimtis tūkstančių spektrų viename eksperimente, yra labai įtemptos įprastų žmogiškuosius aiškinimo metodus, todėl reikia daugiau duomenų pagrįsto metodo.

Naudojant didelius duomenų analizės metodus, moksliniai tyrimai pritraukė dėmesį, o Tokijo Pramonės mokslo instituto universiteto mokslininkai suprato, kad tokie metodai gali būti naudojami aiškinant daug didesnį spektrų skaičių nei tradiciniai metodai. "Mes sukūrėme duomenų pagrindu pagrįstą metodą, pagrįstą mašinų mokymosi metodais, naudojant sluoksnių grupavimo ir sprendimų medžio metodų derinį", - teigia vienas iš autorių Teruyasu Mizoguchi.

Komanda naudojo teorinius skaičiavimus, kuriuose buvo sukurta spektrinė duomenų bazė, kurioje kiekvienas spektras turėjo atitikmenį "vienas su vienu" su jo atomine struktūra ir kuriuose visi spektrai turėjo tuos pačius parametrus. Dviejų mašininio mokymosi metodų naudojimas leido sukurti tiek spektro interpretavimo metodą, tiek spektrinį prognozavimo metodą, kuris naudojamas žinant medžiagos atominę konfigūraciją.

Šis metodas buvo sėkmingai pritaikytas sudėtingų spektrų interpretacijai iš dviejų elektronų praradimo spektroskopijos metodų, artėjimo prie energijos šaltinio struktūros (ELNES) ir rentgeno spinduliavimo absorbcijos artėjimo krašto struktūros (XANES), taip pat buvo naudojamas prognozuojant spektrą kai buvo pateikta svarbi informacija. "Mūsų požiūris gali suteikti informacijos apie medžiagą, kurios negalima nustatyti rankiniu būdu, ir gali tik prognozuoti spektrą iš vienos medžiagos geometrinės informacijos", - sako švino autorius Shin Kiyohara.

Tačiau siūlomas mašininio mokymosi metodas neapsiriboja ELNES / XANES spektru ir gali būti naudojamas bet kokiems spektriniams duomenims analizuoti greitai ir tiksliai, nereikalaujant specialistų patirties. Todėl tikimasi, kad šis metodas bus plačiai pritaikytas tokiose srityse, kaip puslaidininkių projektavimas, baterijų kūrimas ir katalizatoriaus analizė.

menu
menu