基于卷积神经网络编解码器模型的X射线光子关联光谱噪声抑制
材料科学
2021-08-09 v2 机器学习
摘要
与其他实验技术一样，X射线光子关联光谱（X-ray Photon Correlation Spectroscopy）受到多种噪声的影响。随机与关联涨落以及异质性可能出现在双时间关联函数中，掩盖样品本征动力学的信息。同时处理实验数据中不同来源的噪声具有挑战性。我们提出一种基于卷积神经网络编解码器（CNN-ED）模型提升双时间关联函数信噪比的计算方法。此类模型通过卷积层从图像提取特征，将其投影至低维空间，再通过转置卷积层从该压缩表示重建干净图像。ED模型不仅是随机噪声去除的通用工具，其对低信噪比数据的应用可增强数据定量使用，因其能学习信号的函数形式。我们证明，在真实世界实验数据上训练的CNN-ED模型有助于从含统计噪声与动态异质性的双时间关联函数中有效提取平衡动力学参数。文中讨论了优化模型性能的策略及其适用性极限。
引用
@article{arxiv.2102.03877,
title = {Noise Reduction in X-ray Photon Correlation Spectroscopy with Convolutional Neural Networks Encoder-Decoder Models},
author = {Tatiana Konstantinova and Lutz Wiegart and Maksim Rakitin and Anthony M. DeGennaro and Andi M. Barbour},
journal= {arXiv preprint arXiv:2102.03877},
year = {2021}
}
备注
5 pages, 10 figures