使用机器学习区分X射线总散射的各向同性与各向异性信号

理解结构-性质关系对于基于薄膜的技术发展至关重要。X射线偶然分布函数（PDF）分析可获取覆盖局部、中程和长程有序的相关原子结构细节。虽然X射线PDF已适用于薄膜上的非晶基板，但测量单晶基板上的薄膜是确定某些薄膜材料结构起源的必要条件，尤其是那些基板改变可达结构和性质的材料。然而，在测量单晶基板上的薄膜时，高强度各向异性布拉格斑点会饱和二维探测器图像，掩盖薄膜的各向同性散射信号。这使得针对非晶基板上薄膜的先前数据处理方法不适用于单晶基板上的薄膜。为解决此测量需求，我们开发了IsoDAT2D，这是一种创新的数据处理方法，利用无监督机器学习算法。该程序结合非负矩阵分解和层次聚类来分离薄膜和单晶基板的X射线散射信号。我们使用SimDAT2D（我们开发的用于生成合成薄膜数据的程序）来验证IsoDAT2D。我们也使用IsoDAT2D从单晶基板上的薄膜中隔离X射线总散射信号。将得到的PDF数据与使用先前方法处理的类似数据进行比较，显示相对于单晶基板的基板减法表现出优势，而相对于非晶基板的基板减法表现出类似性能。通过IsoDAT2D，人们有机会将PDF扩展到更广泛的薄膜范围，包括单晶基板上的薄膜，这些薄膜可阐明新的结构-性质关系，以促进基本理解和技术进步。