利用拉曼光谱和深度学习识别石墨烯的电荷密度和介电环境

环境对石墨烯性质（如应变、电荷密度和介电环境）的影响可以通过拉曼光谱进行评估。这些环境相互作用并不容易确定，因为它们以重叠的方式影响光谱。通常使用数据预处理，如背景扣除和峰值拟合。此外，收集的光谱数据因不同的实验设置和环境而变化。这些变化、伪影和环境差异给准确的光谱分析带来了挑战。在这项工作中，我们开发了一个深度学习模型来克服这些变化的影响，并根据不同的电荷密度和介电环境对石墨烯拉曼光谱进行分类。我们考虑了两种方法：深度学习模型和机器学习算法，用于对具有略微不同电荷密度或介电环境的光谱进行分类。这两种方法在高信噪比数据上显示出相似的成功率。然而，深度学习模型对噪声的敏感度较低。为了提高所有模型的准确性和泛化能力，我们通过加性噪声和峰值偏移进行数据增强。我们使用卷积神经网络（CNN）模型展示了光谱分类的99%准确率。CNN模型能够对具有不同电荷掺杂水平的石墨烯拉曼光谱进行分类，甚至能区分SiO₂上石墨烯和硅烷化SiO₂上石墨烯光谱之间的细微变化。我们的方法有望快速可靠地估计石墨烯的掺杂水平和介电环境。所提出的模型为实现评估石墨烯性质的高效分析工具铺平了道路。