抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
歪,電荷密度および誘電環境のようなグラフェンの性質に対する環境の影響をRaman分光法により評価した。これらの環境相互作用は,それらが重複する方法でスペクトルに影響するので,決定するのに自明ではない。バックグラウンド減算とピークフィッティングのようなデータ処理は,通常使用される。さらに,収集した分光データは,異なる実験装置と環境により変化する。このような変化,アーチファクト,および環境差は,正確なスペクトル解析に挑戦をもたらす。本研究では,このような変化の影響を克服し,異なる電荷密度と誘電環境に従ってグラフェンRamanスペクトルを分類するための深い学習モデルを開発した。2つのアプローチ:深い学習モデルと機械学習アルゴリズムを考察し,わずかに異なる電荷密度または誘電環境を持つスペクトルを分類する。これらの2つの方法は,高い信号対雑音比データに対して類似の成功率を示した。しかし,深層学習モデルはノイズに対してそれほど敏感でない。すべてのモデルの精度と一般化を改善するために,著者らは付加的ノイズとピークシフトを通してデータ増強を使用した。畳み込みニューラルネットワーク(CNN)モデルを用いて99%の精度でスペクトル分類を示した。CNNモデルは,異なる電荷ドーピングレベルのグラフェンのRamanスペクトルを分類でき,シラン化SiO_2上のSiO_2とグラフェン上のグラフェン間のスペクトルにおける微妙な変化さえできる。この手法はグラフェンドーピングレベルと誘電環境の迅速で信頼性のある推定の可能性を有する。提案したモデルは,グラフェンの特性を評価するための効率的な分析ツールを達成するための道を開く。【JST・京大機械翻訳】