深度学习辅助的多变量分析用于纳米尺度对异质光束敏感材料的表征

科学领域:

• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学
• 纳米技术纳米技术

背景情况:

• 纳米尺度的表征采用能量探测器,损坏光束敏感材料.
• 低剂量探头最大限度地减少损伤,但降低数据信号噪声比 (SNR).
• 现有的无效化方法,如主要组件分析 (PCA),在准确的组件分离方面面临挑战.

研究的目的:

• 优化和验证低剂量纳米尺度表征数据的多变量分析技术.
• 开发一种用于准确分离信号和噪声组件的自动化方法.
• 加强从光束敏感材料中提取有意义的信息.

主要方法:

• 应用主要成分分析 (PCA) 和非负矩阵因子化,用于后处理.
• 研究PCA组件分离使用螺丝图和手动选择.
• 开发并验证了基于深度学习的神经网络,用于自动化PCA组件分类.

主要成果:

• 在低剂量纳米尺度表征中,PCA表现出了对数据的优越性能.
• 手动分离PCA组件提高了SNR的数量级,但耗时.
• 深度学习方法在PCA组件的分类中实现了>99%的准确性,约为2组件/秒.

结论:

• 多变量分析,特别是PCA,对于否定低剂量纳米数据是有效的.
• 使用深度学习的自动化组件分类克服了手动选择的局限性.
• 结合的方法使得对光束敏感纳米材料的表征更加稳健和高效.