据发表在《今日应用材料》（Applied Materials Today）上的一项研究披露，日本东北大学的研究人员创建了一种基于深度学习的方法，该方法大大简化了利用拉曼光谱对二维（2D）材料进行精确识别和分类的过程。
基于 DDPM 的数据增强技术用于二维材料拉曼光谱分类的示意图。图片来源：Yaping Qi 等人
传统的拉曼分析技术非常费力，而且需要主观的人工解读。这项创新技术将加速二维材料的开发和研究，二维材料在电子和医疗技术等许多不同领域都有应用。
有时，我们只有少量想要研究的二维材料样本，或者进行多次测量的资源有限。因此，光谱数据往往有限且分布不均。我们寻求一种生成模型来增强此类数据集。它基本上为我们填补了空白。
东北大学助理教授、首席研究员Yaping Qi
来自七种不同二维材料和三种不同堆叠组合的光谱数据被输入到学习模型中。研究人员开发了一种新颖的数据增强方法，利用去噪扩散概率模型（DDPM）生成更多合成数据，以克服这些困难。
该模型通过添加噪声来改进原始数据。然后，该模型学会逆向消除噪声，从而产生与原始数据分布一致的独特输出。
通过将这一增强数据集与四层卷积神经网络（CNN）相结合，研究团队在原始数据集上实现了 98.8% 的分类准确率，更重要的是，增强数据的分类准确率达到了 100%。
这种自动化方法提高了分类性能，同时减少了对人工干预的要求，提高了拉曼光谱用于二维材料识别的效率和可扩展性。
Qi 补充说：”这种方法为二维材料的高精度分析提供了一种强大的自动化解决方案。深度学习技术的集成为材料科学研究和工业质量控制带来了巨大前景，在这些领域，可靠和快速的识别至关重要。
这项研究首次将 DDPM 用于创建拉曼光谱数据，为更有效的自动化光谱分析打开了大门。即使在实验数据有限或难以获得的情况下，这种方法也能实现准确的材料表征。最终，这将使实验室研究更容易转化为消费者可以在商店购买的有形产品。
期刊参考：
Qi, Y. et. al. (2024) Deep learning assisted Raman spectroscopy for rapid identification of 2D materials. Applied Materials Today. doi.org/10.1016/j.apmt.2024.102499
本文来自AZO，本文观点不代表石墨烯网立场，转载请联系原作者。
