利用机器学习解读光谱

现代光谱学方法能够快速生成大量的材料光谱，然而解读起来并不总是一项简单的任务。将每个光谱与包含许多参考材料属性的数据库进行比较，但数据库中缺乏的未知材料特性可能会是一个问题，通常需要使用光谱模拟和理论计算来解释。此外，现代光谱仪器可以从单一实验中产生数万个光谱，这也给传统的人工解读带来了相当大的压力。因此，数据驱动的解读方法成为了发展趋势。

日本东京大学Teruyasu Mizoguchi副教授率领的研究团队借助层聚法和决策树方法，开发了一种基于机器学习技术的数据驱动方法。研究团队通过理论计算构建光谱数据库，其中每个光谱与原子结构一一对应，并且所有光谱包含相同的参数。

当已知材料的原子排列情况时，利用两种机器学习途径来开发光谱解读与光谱预测方法。该方法已成功用于能量损失精细结构（energy-loss near-edge structure，ELNES）和X-射线吸收精细结构（X-ray absorption near-edge structure，XANES）复杂光谱的解读，并有望用于半导体设计、电池开发和催化分析等多个领域。

相关研究工作发表在Scientific Reports（文章标题：Data-driven approach for the prediction and interpretation ofcore-electron loss spectroscopy）。

资料来源：

Interpretation of material spectra can bedata-driven using machine learning

https://www.iis.u-tokyo.ac.jp/en/news/2967/