基于高斯混合密度网络的概率参数估计:在X射线反射数据曲线拟合中的应用
无序系统与神经网络
2022-03-31 v1 材料科学
摘要
X射线反射(XRR)广泛用于薄膜结构分析,XRR数据分析涉及最小化由描述薄膜结构的模型参数计算出的XRR曲线之间的差异。该分析需要一定时间,因为它包含许多不可避免的迭代。然而,近期引入的人工神经网络(ANN)方法在类似样品重复分析的情况下可大幅减少分析时间。在此,我们展示了使用混合密度网络(MDN)分析XRR数据,该网络在保持ANN优势的同时实现概率预测。首先,在输出参数单峰概率分布的假设下,训练好的MDN可估计最佳拟合参数,同时估计对应于最佳拟合参数误差棒的置信区间(CI)。以此方式获得的CI与已知统计方法Neumann过程获得的CI相似。其次,在输出参数多峰分布的情况下,MDN方法为每个参数提供若干可能解。使用无监督机器学习方法按高概率顺序对可能参数集进行聚类。通过检验以此方式获得的参数集候选来确定真值,有助于解决与散射数据相关的固有反问题。
引用
@article{arxiv.2203.16064,
title = {Probabilistic Parameter Estimation Using a Gaussian Mixture Density Network: Application to X-ray Reflectivity Data Curve Fitting},
author = {Kook Tae Kim and Dong Ryeol Lee},
journal= {arXiv preprint arXiv:2203.16064},
year = {2022}
}