Koneoppiminen röntgenramansirontakokeen data-analyysissä
Pyyhtiä, Kimmo (2020-06-08)
Koneoppiminen röntgenramansirontakokeen data-analyysissä
(08.06.2020)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2020062946223
https://urn.fi/URN:NBN:fi-fe2020062946223
Tiivistelmä
Röntgenramansirontaspektroskopia (XRS) on energisiin fotoneihen perustuva spektroskopian laji, jossa röntgensäteet siroavat näytteestä epäelastisesti. Siroava fotoni menettää energiaa virittäen atomin tai molekyylin kuorielektronin korkeampaan energiatilaan. Energiahäviöitä mittaamalla muodostetaan röntgenabsorptiospektriä vastaava spektri. Osa fotoneista siroaa kuitenkin näyteympäristöstä eikä näytteestä muodostaen taustasäteilyä. Perinteisesti tutkijan pitää luokitella näytteestä peräisin olevat spektrit käsin.
Tässä tutkielmassa olen käyttänyt koneoppimismenetelmiä jotta tutkijan tarvitsisi luokitella vain murto-osa kaikista spektreistä käsin antaen koneoppimismallin luokitella loput. Käytetty röntgenspektrometridata on peräisin European Synchrotron Radiation Facilitystä (ESRF), jonka varastorenkaan ja röntgenramanspektrometrin toimintaa käsittelen teoreetisesti. Olen käyttänyt kahta koneoppimismallia, tukivektorikonetta ja neuroverkkoa, näytteestä sironneiden ja taustasta sironneiden spektrien luokittelemiseksi. Kumpikin malli opetetaan luokittelemaan spektrejä koulutusjoukolla, joka koostuu käsin luokitelluista spektreistä. Lisäksi käsittelen molempien mallien teoreettista toimintaperiaatetta.
Teen päätelmän kokeellisiin tuloksiin perustuen, että sekä tukivektorikone että neuroverkko kykenevät tehokkaaseen spektrien luokitteluun vetäen vertoja ihmisen luokittelukyvylle. Molempien suorituskyky on hyvin samankaltainen mutta erityisesti tukivektorikone erottuu neuroverkosta sen helpon käytettävyyden, nopean laskennan ja yksinkertaisen toimintaperiaatteen vuoksi. Neuroverkko on tässä tapauksessa paljon raskaampi menetelmä, jonka suorituskyky ei ole tukivektorikonetta parempi.
Tässä tutkielmassa olen käyttänyt koneoppimismenetelmiä jotta tutkijan tarvitsisi luokitella vain murto-osa kaikista spektreistä käsin antaen koneoppimismallin luokitella loput. Käytetty röntgenspektrometridata on peräisin European Synchrotron Radiation Facilitystä (ESRF), jonka varastorenkaan ja röntgenramanspektrometrin toimintaa käsittelen teoreetisesti. Olen käyttänyt kahta koneoppimismallia, tukivektorikonetta ja neuroverkkoa, näytteestä sironneiden ja taustasta sironneiden spektrien luokittelemiseksi. Kumpikin malli opetetaan luokittelemaan spektrejä koulutusjoukolla, joka koostuu käsin luokitelluista spektreistä. Lisäksi käsittelen molempien mallien teoreettista toimintaperiaatetta.
Teen päätelmän kokeellisiin tuloksiin perustuen, että sekä tukivektorikone että neuroverkko kykenevät tehokkaaseen spektrien luokitteluun vetäen vertoja ihmisen luokittelukyvylle. Molempien suorituskyky on hyvin samankaltainen mutta erityisesti tukivektorikone erottuu neuroverkosta sen helpon käytettävyyden, nopean laskennan ja yksinkertaisen toimintaperiaatteen vuoksi. Neuroverkko on tässä tapauksessa paljon raskaampi menetelmä, jonka suorituskyky ei ole tukivektorikonetta parempi.