电子能量损失谱数据库合成与基于深度学习神经网络的芯损失边识别自动化
材料科学
2022-09-28 v1 机器学习
信号处理
化学物理
摘要
电子能量损失谱(EELS)谱中编码的电离边使得高级材料分析成为可能，包括成分分析和元素定量。并行EELS仪器以及快速、灵敏探测器的开发极大地提高了EELS谱的采集速度。然而，传统的芯损失边识别方法依赖于经验和人力，限制了处理速度。迄今为止，原始EELS谱上芯损失边的低信噪比和低跳变比给边缘识别的自动化带来了挑战。本文提出了一种卷积双向长短期记忆神经网络(CNN-BiLSTM)，用于自动检测和识别原始谱中的芯损失边。通过使用我们的前向模型合成EELS谱数据库，以辅助神经网络的训练和验证。为了使合成谱接近真实谱，我们收集了一个大型的实验采集EELS芯损失边库。在合成训练库时，通过将多高斯模型拟合到实验中的真实边缘来建模边缘，并模拟和添加噪声及仪器不完美性。训练好的CNN-BiLSTM网络在模拟谱和实验采集的真实谱上进行了测试。网络的高准确率(94.9%)证明，无需对原始谱进行复杂的预处理，所提出的CNN-BiLSTM网络就能以高准确率实现EELS谱的芯损失边识别自动化。
引用
@article{arxiv.2209.13026,
title = {Electron energy loss spectroscopy database synthesis and automation of core-loss edge recognition by deep-learning neural networks},
author = {Lingli Kong and Zhengran Ji and Huolin L. Xin},
journal= {arXiv preprint arXiv:2209.13026},
year = {2022}
}
备注
23 pages, 6 figures