深度学习辅助拉曼光谱快速识别二维材料
应用物理
2023-12-05 v1
摘要
二维（2D）材料因其独特的特性和应用潜力而受到广泛关注。拉曼光谱作为一种快速且无损的探针，展现出独特的特征，并在二维材料的结构表征中具有显著优势。然而，传统的拉曼光谱数据分析依赖人工解释和特征提取，既耗时又具有主观性。在本工作中，我们采用包括分类和生成式深度学习在内的深度学习技术，以辅助典型二维材料的拉曼光谱分析。针对有限且分布不均的拉曼光谱数据，我们提出了一种基于去噪扩散概率模型（DDPM）的数据增强方法来扩充训练数据集，并构建了一个四层卷积神经网络（CNN）用于二维材料分类。实验结果证明了 DDPM 在解决数据局限性方面的有效性，并显著提升了分类模型的性能。所提出的 DDPM-CNN 方法表现出高可靠性，分类准确率达到 100%。我们的工作展示了深度学习辅助拉曼光谱在二维材料高精度识别与分类中的实用性，为快速、自动化的光谱分析提供了一条有前景的途径。
引用
@article{arxiv.2312.01389,
title = {Deep Learning Assisted Raman Spectroscopy for Rapid Identification of 2D Materials},
author = {Yaping Qi and Dan Hu and Zhenping Wu and Ming Zheng and Guanghui Cheng and Yucheng Jiang and Yong P. Chen},
journal= {arXiv preprint arXiv:2312.01389},
year = {2023}
}