Hyppää sisältöön
    • Suomeksi
    • In English
  • Suomeksi
  • In English
  • Kirjaudu
Näytä aineisto 
  •   Etusivu
  • 1. Kirjat ja opinnäytteet
  • Pro gradu -tutkielmat ja diplomityöt sekä syventävien opintojen opinnäytetyöt (kokotekstit)
  • Näytä aineisto
  •   Etusivu
  • 1. Kirjat ja opinnäytteet
  • Pro gradu -tutkielmat ja diplomityöt sekä syventävien opintojen opinnäytetyöt (kokotekstit)
  • Näytä aineisto
JavaScript is disabled for your browser. Some features of this site may not work without it.

Röntgenspektrien rakenneriippuvuuden neuroverkkopohjainen analyysi

Passilahti, Jalmari (2023-12-07)

Röntgenspektrien rakenneriippuvuuden neuroverkkopohjainen analyysi

Passilahti, Jalmari
(07.12.2023)
Katso/Avaa
Gradu_7_12_2023.pdf (5.812Mb)
Lataukset: 

Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe20231219155810
Tiivistelmä
Spektroskopia on tärkeä nykyfysiikan tutkimusmenetelmä, jossa mitataan aineen lähettämää spektriä, joka syntyy, kun aine vuorovaikuttaa sähkömagneettisen säteilyn kanssa. Röntgenspektroskopiassa ainetta säteilytetään röntgensäteillä, jotka energia-alueensa ansiosta virittävät aineen elektroneja ylemmille elektronikuorille ja jatkumoon. Aineen spektri on riippuvainen sen rakenteesta, jolloin spektroskopian avulla pystytään havaitsemaan aineen rakennetason muutoksia ja ominaisuuksia. Tämä rakenneriippuvuus on kuitenkin yleisesti hyvin monimutkainen, jolloin spektrien laskennassa joudutaan turvautumaan raskaisiin simulaatioihin.

Erilaiset koneoppimisen muodot erityisesti neuroverkot monipuolisine sovelluksineen ovat viimeisen vuosikymmenen aikana kehittyneet valtavasti ja tämän myötä aiempia parempia tuloksia saadaan jatkuvasti. Koneoppimisessa pyritään algoritmien ja datan tutkimisen sekä käsittelyn avulla muodostamaan malleja, joilla pystytään pienemmällä laskentateholla tuottamaan haluttuun ongelmaan ratkaisuja. Tämä ominaisuus tekee koneoppimisesta kiinnostavan menetelmän fysiikan ja erityisesti spektroskopian tutkimuksen kannalta, sillä usein näissä rajoituksena on juuri laskentaresurssit.

Tässä työssä tutkin vesimolekyylin ja amorfisen germaanidioksidin röntgenspektrien ja rakenteen välistä yhteyttä enkooderi-dekooderi-neuroverkon avulla ja vertaan näin saatuja tuloksia aiempiin. Mallien tehtävänä on systeemin spektrin tai siitä laskettujen statististen suureiden ennustaminen tämän eksaktin rakenteen tai sitä kuvaavan esityksen avulla. Informaation kulkua mallin läpi on rajoitettu pullonkaulalla, jolloin malli pyrkii tiivistämään spektriin merkittävästi vaikuttavan tiedon rakenteesta. Tulokseni ovat lupaavia ja tarkkuudeltaan lähes kauttaaltaan parempia kuin aiemmat, joten näyttäisi siltä että enkooderi-dekooderi-arkkitehtuurin aiempaan nähden lisätty monimutkaisuus tuottaa molempiin systeemeihin paremmin sopivan mallin. Tämä osoittautuu myöhemmin kuitenkin myös haitaksi, sillä sen myötä tämän työn puitteissa malleille ei löydetä toimivaa käänteiskuvausta.
Kokoelmat
  • Pro gradu -tutkielmat ja diplomityöt sekä syventävien opintojen opinnäytetyöt (kokotekstit) [9383]

Turun yliopiston kirjasto | Turun yliopisto
julkaisut@utu.fi | Tietosuoja | Saavutettavuusseloste
 

 

Tämä kokoelma

JulkaisuajatTekijätNimekkeetAsiasanatTiedekuntaLaitosOppiaineYhteisöt ja kokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy

Turun yliopiston kirjasto | Turun yliopisto
julkaisut@utu.fi | Tietosuoja | Saavutettavuusseloste