Las técnicas de espectroscopía se usan comúnmente en la investigación de materiales porque permiten la identificación de materiales a partir de sus características espectrales únicas. Estas características se correlacionan con propiedades específicas del material, como sus configuraciones atómicas y estructuras de enlace químico. Los métodos modernos de espectroscopía han permitido la generación rápida de enormesnúmeros de espectros materiales, pero es necesario interpretar estos espectros para recopilar información relevante sobre el material en estudio.
Sin embargo, la interpretación de un espectro no siempre es una tarea simple y requiere una experiencia considerable. Cada espectro se compara con una base de datos que contiene numerosas propiedades de material de referencia, pero las características desconocidas del material que no están presentes en la base de datos pueden ser problemáticas y, a menudo,deben interpretarse utilizando simulaciones espectrales y cálculos teóricos. Además, el hecho de que los instrumentos de espectroscopía modernos pueden generar decenas de miles de espectros a partir de un solo experimento está ejerciendo una presión considerable sobre los métodos convencionales de interpretación manejados por humanos, y un enfoque más basado en datosse requiere así
El uso de técnicas de análisis de grandes datos ha atraído la atención en aplicaciones de ciencia de materiales, y los investigadores del Instituto de Ciencia Industrial de la Universidad de Tokio se dieron cuenta de que tales técnicas podrían usarse para interpretar un número mucho mayor de espectros que los enfoques tradicionales ". Desarrollamos unenfoque basado en datos basado en técnicas de aprendizaje automático que utilizan una combinación de agrupamiento de capas y métodos de árbol de decisión ", afirma el autor co-corresponsal Teruyasu Mizoguchi.
El equipo utilizó cálculos teóricos para construir una base de datos espectral en la que cada espectro tenía una correspondencia biunívoca con su estructura atómica y donde todos los espectros contenían los mismos parámetros. El uso de los dos métodos de aprendizaje automático permitió el desarrollo de ambosmétodo de interpretación espectral y un método de predicción espectral, que se utiliza cuando se conoce la configuración atómica de un material.
El método se aplicó con éxito a la interpretación de espectros complejos a partir de dos métodos de espectroscopía de pérdida de núcleo-electrón, estructura cercana al borde de pérdida de energía ELNES y estructura cercana al borde de absorción de rayos X XANES, y también se usó para predecirlas características espectrales cuando se proporcionó la información del material. "Nuestro enfoque tiene el potencial de proporcionar información sobre un material que no puede determinarse manualmente y puede predecir un espectro solo a partir de la información geométrica del material", dice el autor principal Shin Kiyohara.
Sin embargo, el método de aprendizaje automático propuesto no está restringido a los espectros ELNES / XANES y puede usarse para analizar cualquier información espectral de forma rápida y precisa sin la necesidad de experiencia especializada. Como resultado, se espera que el método tenga una amplia aplicabilidad en los campostan diversos como diseño de semiconductores, desarrollo de baterías y análisis de catalizadores.
Fuente de la historia :
Materiales proporcionado por Instituto de Ciencias Industriales, Universidad de Tokio . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :