Röntgenspektrien rakenneriippuvuuden neuroverkkopohjainen analyysi
Passilahti, Jalmari (2023-12-07)
Röntgenspektrien rakenneriippuvuuden neuroverkkopohjainen analyysi
(07.12.2023)
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-fe20231219155810
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.
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.