利用监督机器学习从 EELS 与 XAS 谱预测铜的氧化态
材料科学
2024-07-11 v2
摘要
电子能量损失谱（EELS）与 X 射线吸收谱（XAS）提供关于成键、原子分布与位置、配位数及氧化态的详细信息。然而，XAS/EELS 数据的分析通常依赖于将未知实验样品与一系列模拟或实验标准样品进行匹配。这限制了分析通量以及从样品中提取定量信息的能力。本工作中，我们训练了一个随机森林模型，能够基于铜的 L 边谱预测其氧化态。我们的模型在模拟数据上获得了 0.85 的 分数与 0.24 的均方根价态误差。它还成功预测了本工作获取的实验 L 边 EELS 谱以及从文献中提取的 XAS 谱。我们进一步通过预测本工作生成的混合价态样品的模拟与实验谱，展示了该模型的效用。该模型可集成至未知成分与氧化态含铜材料混合物的实时 EELS/XAS 分析流程中。通过扩展训练数据，该方法可推广至广泛材料的数据驱动谱分析。
引用
@article{arxiv.2309.04067,
title = {Prediction of the Cu Oxidation State from EELS and XAS Spectra Using Supervised Machine Learning},
author = {Samuel P. Gleason and Deyu Lu and Jim Ciston},
journal= {arXiv preprint arXiv:2309.04067},
year = {2024}
}