基于深度卷积神经网络的频域数据迭代峰拟合
材料科学
2022-01-13 v2 无序系统与神经网络
摘要
用于发现与设计新型功能材料的高通量材料筛选需要对理论与实验数据进行自动化分析。本文研究利用深度卷积神经网络对一维谱学数据（如频域数据）进行无人分析的问题。具体而言，我们训练了多种深度卷积神经网络，并基准测试了它们以迭代方式将含噪声的一维数据分解为多个非正交峰的性能，之后应用常规 basin-hopping 算法进一步降低残差拟合误差。在六种不同网络架构中，我们在本研究中首次提出的一种“压缩与激励”网络（SENet）变体结构表现最佳。还讨论了训练性能对损失函数选择的依赖性。最后我们将改进的 SENet 模型应用于石墨烯、MoS_2 和 WS_2 的实验光电子能谱，并探讨其潜在应用与局限。
引用
@article{arxiv.2107.04287,
title = {Iterative peak-fitting of frequency-domain data via deep convolution neural networks},
author = {Seong-Heum Park and Hyeong Seon Park and Hyunbok Lee and Heung-Sik Kim},
journal= {arXiv preprint arXiv:2107.04287},
year = {2022}
}
备注
17 pages, 8 figures