通过机器学习系统地纠正核心损失光谱:弥合模拟和实验光谱之间的差距
Yinan Wang1, Yu Fujikata2, Louis Wong1
1Institute of Industrial Science, The University of Tokyo, 4-6-1, Komaba, Meguro, Tokyo 153-8505, Japan.
一个新的机器学习模型纠正了计算材料科学模拟中的错误. 这个工具准确地预测实验光谱,加速材料的发现和分析.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 频谱学是一种光谱学.
背景情况:
- 核心损失光谱学,包括能量损失近边缘结构 (ELNES) 和X射线吸收近边缘结构 (XANES),对于材料的表征至关重要.
- 当前的模拟方法,如密度函数理论与通用梯度近似 (DFT-GGA),往往缺乏准确性来完美复制实验光谱,系统地低估了能量分离.
研究的目的:
- 开发一个机器学习框架来纠正核心损失光谱的DFT-GGA计算中的系统错误.
- 提高用于材料表征和高通量选的理论光谱的准确性.
主要方法:
- 使用了一个随机森林机器学习算法.
- 该模型使用295对DFT-GGA和有机分子K边谱 (C,N,O) 的实验数据集进行训练.
- 该模型学习了一个非线性转换来纠正光谱差异.
主要成果:
- 机器学习模型在纠正GGA计算错误方面表现出高准确性,准确地复制实验光谱线形状.
- 分析表明,该模型在数值上补偿了系统的差异,产生了类似于自我能量校正的光谱扩张.
- 该模型表现出了显著的概括性,成功地纠正了无机材料的光谱,尽管它只训练有机分子.
结论:
- 开发的框架作为一个高效的"模拟到实验"校正器.
- 该工具提供了一种具有成本效益的方法,用于获得高精度的理论光谱.
- 这些发现加速了高通量材料的选,并有助于解释复杂的实验数据.
更多相关视频
08:12Author Spotlight: Exploring Light-Driven Chemical Reactions and Energy-Harnessing Devices in Photochemical Research
Published on: February 16, 2024
09:32Resolving Water, Proteins, and Lipids from In Vivo Confocal Raman Spectra of Stratum Corneum through a Chemometric Approach
Published on: September 26, 2019
相关概念视频
NMR Spectrometers: Resolution and Error Correction
MALDI-TOF Mass Spectrometry
Molecular Spectroscopy: Absorption and Emission
Atomic Absorption Spectroscopy: Overview
When irradiated by EMR of a particular wavelength, these...
Atomic Absorption Spectroscopy: Instrumentation
The atomizer used in AAS can be either a flame atomizer or an...
Atomic Absorption Spectroscopy: Interference
Spectral interference occurs when signals from other elements or molecules overlap with the analyte signal, falsely elevating or masking the analyte's absorbance. This interference can be corrected using Zeeman,...
