基于深度学习在超快光谱中恢复真实非线性拉曼响应
光学
2025-07-09 v1 化学物理
摘要
噪声普遍存在于非线性光谱中,多种来源贡献于实验信号,产生相互关联的无关成分,从随机逐点涨落到结构化基线信号。抑制策略通常是启发式的,依赖于主观偏置,如数据分析算法中参数的设定以及无关成分的去除顺序。我们提出一种数据驱动的频域去噪器,基于具有不同尺寸核并行作用的卷积神经网络,从含噪光谱原始数据中的非线性背景里提取真实振动特征。我们通过受激拉曼光谱(SRS)中恢复非对称峰来测试我们的方法,SRS 因其固有的复杂光谱特征与强背景信号而成为理想试验台。利用理论微扰工具箱,我们用模拟数据集高效训练网络,该数据集类似于实验光谱的统计特性与线形。所开发算法成功应用于实验数据,获得了无噪声且无背景的有机物与原型血红素蛋白的 SRS 光谱。
引用
@article{arxiv.2309.16933,
title = {Retrieving genuine nonlinear Raman responses in ultrafast spectroscopy via deep learning},
author = {Giuseppe Fumero and Giovanni Batignani and Edoardo Cassetta and Carino Ferrante and Stefano Giagu and Tullio Scopigno},
journal= {arXiv preprint arXiv:2309.16933},
year = {2025}
}
备注
24 pages, 15 figures