論文の概要: SpectraFormer: an Attention-Based Raman Unmixing Tool for Accessing the Graphene Buffer-Layer Signature on SiC
- arxiv url: http://arxiv.org/abs/2601.04445v1
- Date: Wed, 07 Jan 2026 23:20:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 17:01:52.953064
- Title: SpectraFormer: an Attention-Based Raman Unmixing Tool for Accessing the Graphene Buffer-Layer Signature on SiC
- Title（参考訳）: SpectraFormer:SiC上のグラフェンバッファ層署名にアクセスするアテンベースのラマンアンミキシングツール
- Authors: Dmitriy Poteryayev, Pietro Novelli, Annalisa Coriolano, Riccardo Dettori, Valentina Tozzini, Fabio Beltram, Massimiliano Pontil, Antonio Rossi, Stiven Forti, Camilla Coletti,
- Abstract要約: 我々は、成長後の部分的な分光データから直接SiC Raman基板のコントリビューションを再構成する、トランスフォーマーに基づくディープラーニングモデルSpectraFormerを提案する。
再構成基板信号のサブトラクションにより、従来の解析手法ではアクセスできないZLGに付随する弱い振動特性が明らかになる。
- 参考スコア（独自算出の注目度）: 17.50135994670192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Raman spectroscopy is a key tool for graphene characterization, yet its application to graphene grown on silicon carbide (SiC) is strongly limited by the intense and variable second-order Raman response of the substrate. This limitation is critical for buffer layer graphene, a semiconducting interfacial phase, whose vibrational signatures are overlapped with the SiC background and challenging to be reliably accessed using conventional reference-based subtraction, due to strong spatial and experimental variability of the substrate signal. Here we present SpectraFormer, a transformer-based deep learning model that reconstructs the SiC Raman substrate contribution directly from post-growth partially masked spectroscopic data without relying on explicit reference measurements. By learning global correlations across the entire Raman shift range, the model captures the statistical structure of the SiC background and enables accurate reconstruction of its contribution in mixed spectra. Subtraction of the reconstructed substrate signal reveals weak vibrational features associated with ZLG that are inaccessible through conventional analysis methods. The extracted spectra are validated by ab initio vibrational calculations, allowing assignment of the resolved features to specific modes and confirming their physical consistency. By leveraging a state-of-the-art attention-based deep learning architecture, this approach establishes a robust, reference-free framework for Raman analysis of graphene on SiC and provides a foundation, compatible with real-time data acquisition, to its integration into automated, closed-loop AI-assisted growth optimization.
- Abstract（参考訳）: ラマン分光法はグラフェンのキャラクタリゼーションの鍵となるツールであるが、炭化ケイ素(SiC)上に成長したグラフェンへの応用は、基質の強い二階反応と可変なラマン反応によって強く制限される。
この制限は、半伝導性界面相であるバッファ層グラフェンにおいて重要であり、その振動シグネチャはSiCの背景と重なり合い、基板信号の強い空間的および実験的変動により、従来の基準ベースサブトラクションを用いて確実にアクセスすることが困難である。
本稿では,SiC Raman基板のコントリビューションを直接再構成するトランスフォーマーベースディープラーニングモデルであるSpectraFormerについて述べる。
ラマンシフト範囲全体のグローバル相関を学習することにより、SiC背景の統計構造を捕捉し、混合スペクトルへの寄与の正確な再構成を可能にする。
再構成基板信号のサブトラクションにより、従来の解析手法ではアクセスできないZLGに付随する弱い振動特性が明らかになる。
抽出したスペクトルは、アブ初期振動計算によって検証され、分解された特徴を特定のモードに割り当て、それらの物理的整合性を確認することができる。
最先端の注目に基づくディープラーニングアーキテクチャを活用することで、SiC上のグラフェンのラマン分析のための堅牢でレファレンフリーなフレームワークを確立し、リアルタイムデータ取得と互換性のある基盤を提供する。
関連論文リスト
- SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - The Homogeneity Trap: Spectral Collapse in Doubly-Stochastic Deep Networks [1.7523718031184992]
構造保存深層構造に固有の臨界スペクトル劣化現象を同定する。
最大エントロピーバイアスは混合作用素を均一なバリセンターへ誘導し、従属特異値 を抑えることを示す。
ネットワークの有効深度にリンクするスペクトル境界を導出し、高エントロピー制約が浅層受容場への特徴変換を制限することを示す。
論文 参考訳（メタデータ） (2026-01-05T13:09:42Z) - From Eigenmodes to Proofs: Integrating Graph Spectral Operators with Symbolic Interpretable Reasoning [0.0]
完全スペクトル型ニューロシンボリック推論フレームワークであるSpectral NSRを紹介する。
論理ルールをスペクトルテンプレートとして組み込み、グラフスペクトル領域で直接推論を行う。
スペクトルNSRは, 高い精度, 高速な推測, 対向摂動に対する頑健性の向上, 先行するベースラインと比較して高い解釈性を実現している。
論文 参考訳（メタデータ） (2025-09-07T01:12:20Z) - Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images [64.80875911446937]
RGB画像からのHSI再構成のための相関連続性ネットワーク(CCNet)を提案する。
局所スペクトルの相関について,GrSCM(Group-wise Spectral correlation Modeling)モジュールを紹介する。
グローバルスペクトルの連続性のために、我々はNeSCMモジュールを設計する。
論文 参考訳（メタデータ） (2025-01-02T15:14:40Z) - Hyperspectral Image Spectral-Spatial Feature Extraction via Tensor Principal Component Analysis [41.71615165526371]
本稿では,ハイパースペクトル画像分類におけるスペクトル空間特徴抽出の課題について述べる。
提案手法では、円形の畳み込みをテンソル構造に組み込んで、スペクトル情報と空間情報の両方を効果的に捕捉・統合する。
この枠組みに基づいて、従来の主成分分析(PCA)技術は、主成分分析(TPCA)と呼ばれるテンソルベースに拡張される。
論文 参考訳（メタデータ） (2024-12-08T21:52:09Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳（メタデータ） (2023-07-26T07:45:14Z) - Fingerprint and universal Markovian closure of structured bosonic
environments [53.869623568923515]
本研究では, ボソニック環境のチェーンマッピング変換の特性を利用して, 環境の特徴的特徴, 指紋を捉えることができる有限なモードの集合を同定する。
マルコフ閉包は、標準連鎖写像技術に関して二次的なスピードアップを提供することを示す。
論文 参考訳（メタデータ） (2022-08-03T11:08:50Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - Simulation of absorption spectra of molecular aggregates: a Hierarchy of
Stochastic Pure States approach [68.8204255655161]
純粋な状態の階層(HOPS)は、局所的な軌跡に基づく正式な正確な解を提供する。
大集合体における吸収スペクトルのシミュレーションのためにHOPSの局在を爆発させるには、正規化軌道の定式化が必要である。
論文 参考訳（メタデータ） (2021-11-01T16:59:54Z) - One-dimensional Active Contour Models for Raman Spectrum Baseline
Correction [0.0]
ラマン分光法は、化学物質の分析と未知物質の検出のための強力で非侵襲的な方法です。
背景雑音は実際のラマン信号を歪めることがある。
1次元空間におけるアクティブ輪郭モデルの修正版がラマンスペクトルのベースライン補正のために提案されている。
論文 参考訳（メタデータ） (2021-04-26T19:30:34Z)
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。