論文の概要: Identifying charge density and dielectric environment of graphene using Raman spectroscopy and deep learning

• arxiv url: http://arxiv.org/abs/2203.00431v1
• Date: Fri, 25 Feb 2022 00:25:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 15:41:06.045786
• Title: Identifying charge density and dielectric environment of graphene using Raman spectroscopy and deep learning
• Title（参考訳）: ラマン分光法と深層学習によるグラフェンの電荷密度と誘電環境の同定
• Authors: Zhuofa Chen, Yousif Khaireddin, Anna K. Swan
• Abstract要約: グラフェンの性質に対する環境の影響はラマン分光法によって評価できる。 このような変動の影響を克服し、電荷密度や誘電体環境に応じてグラフェンラマンスペクトルを分類する深層学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The impact of the environment on graphene's properties such as strain, charge density, and dielectric environment can be evaluated by Raman spectroscopy. These environmental interactions are not trivial to determine, since they affect the spectra in overlapping ways. Data preprocessing such as background subtraction and peak fitting is typically used. Moreover, collected spectroscopic data vary due to different experimental setups and environments. Such variations, artifacts, and environmental differences pose a challenge in accurate spectral analysis. In this work, we developed a deep learning model to overcome the effects of such variations and classify graphene Raman spectra according to different charge densities and dielectric environments. We consider two approaches: deep learning models and machine learning algorithms to classify spectra with slightly different charge density or dielectric environment. These two approaches show similar success rates for high Signal-to-Noise data. However, deep learning models are less sensitive to noise. To improve the accuracy and generalization of all models, we use data augmentation through additive noise and peak shifting. We demonstrated the spectra classification with 99% accuracy using a convolutional neural net (CNN) model. The CNN model is able to classify Raman spectra of graphene with different charge doping levels and even subtle variation in the spectra between graphene on SiO$_2$ and graphene on silanized SiO$_2$. Our approach has the potential for fast and reliable estimation of graphene doping levels and dielectric environments. The proposed model paves the way for achieving efficient analytical tools to evaluate the properties of graphene.
• Abstract（参考訳）: ひずみ、電荷密度、誘電体環境などのグラフェンの性質に対する環境の影響はラマン分光法によって評価できる。 これらの環境相互作用は、重なり合う方法でスペクトルに影響するため、決定が容易ではない。 背景減算やピークフィッティングなどのデータプリプロセッシングは通常使用される。 さらに、収集された分光データは、異なる実験装置や環境によって異なる。 このような変異、アーティファクト、環境の違いは、正確なスペクトル分析において課題となる。 本研究では,このような変動の影響を克服し,異なる電荷密度と誘電体環境に応じてグラフェンラマンスペクトルを分類する深層学習モデルを開発した。 我々は,電荷密度や誘電体環境の異なるスペクトルを分類するディープラーニングモデルと機械学習アルゴリズムの2つのアプローチを検討した。 これら2つの手法は高い信号対雑音データに対して同様の成功率を示す。 しかし、ディープラーニングモデルはノイズに対する感度が低い。 すべてのモデルの精度と一般化を改善するために、加算ノイズとピークシフトによるデータ拡張を用いる。 畳み込みニューラルネットワーク(CNN)モデルを用いて,99%の精度でスペクトル分類を行った。 CNNモデルは、電荷ドーピングレベルが異なるグラフェンのラマンスペクトルを分類することができ、さらに、SiO$_2$上のグラフェンとシラン化グラフェンとのスペクトルの微妙な変化も得る。 本手法は,グラフェンドーピングレベルと誘電体環境の高速かつ信頼性の高い推定を可能にする。 提案モデルでは, グラフェンの特性評価のために, 効率的な分析ツールを実現する方法を示す。

関連論文リスト

• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• Data Augmentation Scheme for Raman Spectra with Highly Correlated Annotations [0.23090185577016453]
  統計的に独立なラベルを持つデータセットから追加のデータポイントを生成するために、スペクトルの付加的な性質を利用する。 これらのデータポイント上でCNNをトレーニングすることで、アノテーションがモデルトレーニングに使用されたデータセットと同じ相関関係を持たないデータセットのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-02-01T18:46:28Z)
• Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification [71.36575018271405]
  本稿では,DP-NoiseとDP-Maskを組み合わせたDual-Prism(DP)拡張手法を提案する。 低周波固有値の変動を保ちながら、拡張グラフを生成する際に、臨界特性を大規模に保存できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T12:58:53Z)
• Shape-aware Graph Spectral Learning [36.63516222161871]
  スペクトルグラフニューラルネットワーク(GNN)は、メッセージパッシングGNNの限界を超える能力に注目されている。 いくつかの研究は、好ましいグラフ周波数がグラフホモフィリーレベルと関連していることを実証的に示している。 このグラフ周波数とホモフィリー・ヘテロフィリーグラフの関係は、既存のスペクトルGNNにおいて体系的に解析され検討されていない。 我々は、任意のスペクトルフィルタを学習し、対応するホモフィリーレベルの所望の形状に関する事前知識を組み込むことができるニュートン補間に基づくスペクトルフィルタの形状認識正則化を提案する。
  論文  参考訳（メタデータ） (2023-10-16T04:57:30Z)
• Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
  グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。 本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。 このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2023-06-06T15:31:05Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Adaptive Gaussian Processes on Graphs via Spectral Graph Wavelets [3.2498534294827044]
  本稿では,異なるスケールで情報を集約できるスペクトルグラフウェーブレットを用いたプロセスモデルを提案する。 グラフスペクトルの高密度領域における低近似誤差を求めるフィルタ関数のスペクトル適応近似を用いて,より大きなグラフに対するスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2021-10-25T09:25:04Z)
• Cycle-StarNet: Bridging the gap between theory and data by leveraging large datasets [0.0]
  現在のスペクトル分析の自動化手法は、(a)データ駆動であり、恒星パラメータと元素の存在量の事前の知識を必要とするか、(b)理論と実践のギャップに影響を受けやすい理論合成モデルに基づくかのいずれかである。 本研究では、シミュレーションされた恒星スペクトルを、教師なし学習を大規模分光サーベイに適用することにより、現実的なスペクトルに変換するハイブリッドな生成領域適応法を提案する。
  論文  参考訳（メタデータ） (2020-07-06T23:06:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。