npsm 새물리 New Physics : Sae Mulli

pISSN 0374-4914 eISSN 2289-0041
Qrcode

Article

Research Paper

New Phys.: Sae Mulli 2020; 70: 920-927

Published online November 30, 2020 https://doi.org/10.3938/NPSM.70.920

Copyright © New Physics: Sae Mulli.

Deep Learning Applied to Peak Fitting of Spectroscopic Data in Frequency Domain

Hyeong Seon PARK, Seong-Heum PARK, Hyunbok LEE, Heung-Sik KIM* 

Department of Physics, Kangwon National University, Chuncheon 24341, Korea

Correspondence to:heungsikim@kangwon.ac.kr

Received: August 31, 2020; Revised: September 17, 2020; Accepted: September 21, 2020

Abstract

A data-driven study of material properties and functional materials design based on it requires high-throughput and comparative analyses of the results of experimental spectroscopy with those from first-principles electronic structure calculations. Hence, an efficient machine-learning-based computational tool to extract electronic structure information from experimental data without human intervention is in high demand. Here, we test the capability of deep neural network models to fit photoemission spectroscopy (PES) data in the frequency domain with unknown PES peak positions, numbers, and widths. A one-dimensional convolution neural network (CNN) was employed in combination with fully connected layers (FCL), and the trained model was applied to photoemission spectra for the sulfur $2p$ states in poly(3-hexylthiophene) (P3HT) molecules and oxygen $1s$ states in indium tin oxide (ITO). We conclude by further discussing potential ways to improve the performance of the model.

Keywords: Photoemission spectroscopy, Machine learning, Deep neural network

최근 들어 학계 및 산업계에서는 데이터 사이언스를 이용한 물질 분석 및 신물질 디자인이 중요한 연구 주제로 떠오르고 있으며, 이를 위한 필수 요소 중 하나는 실험적 분광학 결과 및 제일원리 전자구조계산 결과에 대한 고속대량 데이터 스크리닝 작업이다. 이러한 작업에는 대량의 실험적 분광학 데이터와 제일원리 전자구조계산 결과들로부터 유용한 정보들을 최소한의 인간의 개입만으로 추출할 수 있는 기계학습 기반 방법론이 필수적이다. 이를 위하여, 본 연구에서는 1차원 진동수 영역에서의 광전자 분광학 (photoemission spectroscopy, PES) 실험 결과들을 입력받아, 이로부터 전자의 여기 에너지, 여기 상태의 수 및 각 PES 피크의 에너지 폭을 얻어 내는 심층 신경망 모델을 만들고 훈련시켜 보았다. 본 모델에서는 1차원 합성곱 신경망(convolution neural network, CNN)을 완전연결 신경망(fully-connected layers, FCL)과 조합하여 사용하였으며, 훈련된 모델은 Poly(3-hexylthiophene) (P3HT) 분자 내 황의 2$p$ 상태 및 인듐 주석 산화물 내 산소의 $1s$ 상태로부터의 PES 스펙트럼을 분석하는데 사용되었다. 마지막으로 현재의 모델을 보다 개선하기 위한 방법에 대한 논의를 덧붙인다.

Keywords: 광전자 분광학, 기계 학습, 심층 신경망

Stats or Metrics

Share this article on :

Related articles in NPSM