Raman分光法と深層学習を用いたグラフェンの電荷密度と誘電環境の同定【JST・京大機械翻訳】

Chen Zhuofa; Khaireddin Yousif; Swan Anna K.

プレプリント

J-GLOBAL ID：202202211498673185 整理番号：22P0297081

Raman分光法と深層学習を用いたグラフェンの電荷密度と誘電環境の同定【JST・京大機械翻訳】

Identifying charge density and dielectric environment of graphene using Raman spectroscopy and deep learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年02月24日プレプリントサーバーでの情報更新日： 2022年02月24日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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】

, , , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

音声処理 , 分光法と分光計一般

, , , , ,

前のページに戻る