सामग्री स्पेक्ट्रा की व्याख्या मशीन सीखने का उपयोग कर डेटा संचालित हो सकती है

वेबिनार: मशीन लर्निंग, ऐ, और डेटा संचालित सामग्री विकास और डिजाइन (3 में से 1 भाग) (जुलाई 2019).

Anonim

स्पेक्ट्रोस्कोपी तकनीकों का उपयोग आमतौर पर सामग्री अनुसंधान में किया जाता है क्योंकि वे अपनी अनूठी वर्णक्रमीय सुविधाओं से सामग्री की पहचान को सक्षम करते हैं। ये विशेषताएं विशिष्ट भौतिक गुणों, जैसे उनके परमाणु विन्यास और रासायनिक बंधन संरचनाओं से संबंधित हैं। आधुनिक स्पेक्ट्रोस्कोपी विधियों ने बड़ी संख्या में भौतिक स्पेक्ट्रा की तीव्र पीढ़ी को सक्षम किया है, लेकिन अध्ययन के तहत सामग्री के बारे में प्रासंगिक जानकारी इकट्ठा करने के लिए इन स्पेक्ट्रा की व्याख्या करना आवश्यक है।

हालांकि, स्पेक्ट्रम की व्याख्या हमेशा एक साधारण कार्य नहीं होती है और इसमें काफी विशेषज्ञता की आवश्यकता होती है। प्रत्येक स्पेक्ट्रम की तुलना डेटाबेस के साथ कई संदर्भ सामग्री गुणों से की जाती है, लेकिन डेटाबेस में मौजूद अज्ञात सामग्री विशेषताएं समस्याग्रस्त हो सकती हैं, और अक्सर स्पेक्ट्रल सिमुलेशन और सैद्धांतिक गणनाओं का उपयोग करके व्याख्या की जानी चाहिए। इसके अलावा, तथ्य यह है कि आधुनिक स्पेक्ट्रोस्कोपी यंत्र एक प्रयोग से हजारों स्पेक्ट्रा उत्पन्न कर सकते हैं पारंपरिक मानव-संचालित व्याख्या विधियों पर काफी तनाव डालते हैं, और इस प्रकार एक अधिक डेटा-संचालित दृष्टिकोण की आवश्यकता होती है।

बड़ी डेटा विश्लेषण तकनीकों का उपयोग सामग्री विज्ञान अनुप्रयोगों में ध्यान आकर्षित कर रहा है, और टेक्सास इंस्टीट्यूट ऑफ इंडस्ट्रियल साइंस विश्वविद्यालय के शोधकर्ताओं ने महसूस किया कि पारंपरिक तकनीकों की तुलना में इस तरह की तकनीकों का उपयोग स्पेक्ट्ररा की बड़ी संख्या को समझने के लिए किया जा सकता है। सह-संबंधित लेखक टेरुयूसु मिज़ोगुची कहते हैं, "हमने परत क्लस्टरिंग और निर्णय पेड़ के तरीकों के संयोजन का उपयोग करके मशीन सीखने की तकनीक के आधार पर एक डेटा संचालित दृष्टिकोण विकसित किया है।"

टीम ने एक स्पेक्ट्रल डेटाबेस बनाने के लिए सैद्धांतिक गणना का उपयोग किया जिसमें प्रत्येक स्पेक्ट्रम के परमाणु संरचना के साथ एक-एक-एक पत्राचार था और जहां सभी स्पेक्ट्रा में समान पैरामीटर थे। दो मशीन लर्निंग विधियों के उपयोग ने वर्णक्रमीय व्याख्या विधि और एक स्पेक्ट्रल भविष्यवाणी विधि दोनों के विकास की अनुमति दी, जिसका प्रयोग तब किया जाता है जब सामग्री की परमाणु कॉन्फ़िगरेशन ज्ञात हो।

इस विधि को दो कोर-इलेक्ट्रॉन हानि स्पेक्ट्रोस्कोपी विधियों, ऊर्जा-हानि के निकट किनारे संरचना (ईएलएनईएस) और एक्स-रे अवशोषण निकटतम संरचना (एक्सएएनईएस) से जटिल स्पेक्ट्रा की व्याख्या के लिए सफलतापूर्वक लागू किया गया था, और स्पेक्ट्रल की भविष्यवाणी करने के लिए भी इसका इस्तेमाल किया गया था जब सामग्री की जानकारी प्रदान की गई थी तो विशेषताएं। मुख्य लेखक शिन कियोहर कहते हैं, "हमारे दृष्टिकोण में ऐसी सामग्री के बारे में जानकारी प्रदान करने की क्षमता है जिसे मैन्युअल रूप से निर्धारित नहीं किया जा सकता है और सामग्री की ज्यामितीय जानकारी से स्पेक्ट्रम की भविष्यवाणी कर सकता है।"

हालांकि, प्रस्तावित मशीन लर्निंग विधि ईएलएनईएस / एक्सएएनईएस स्पेक्ट्रा तक ही सीमित नहीं है और विशेषज्ञ विशेषज्ञता की आवश्यकता के बिना किसी स्पेक्ट्रल डेटा को त्वरित और सटीक रूप से विश्लेषण करने के लिए उपयोग किया जा सकता है। नतीजतन, इस विधि से अर्धचालक डिजाइन, बैटरी विकास, और उत्प्रेरक विश्लेषण के रूप में विविध क्षेत्रों में व्यापक प्रयोज्यता होने की उम्मीद है।

menu
menu