РОЗРОБКА ГІБРИДНОЇ МОДЕЛІ ОБЕРНЕНОГО АНАЛІЗУ ДЛЯ ОЦІНКИ СПЕКТРАЛЬНИХ ХАРАКТЕРИСТИК БАГАТОШАРОВИХ СТРУКТУР

Автор(и)

DOI:

https://doi.org/10.35546/kntu2078-4481.2025.1.2.3

Ключові слова:

багатошарові структури, спектральний аналіз, математичне моделювання, гібридна модель, ітераційні методи, глибинне навчання, нейронні мережі

Анотація

Багатошарові структури є ключовими елементами в сучасній оптиці, нанотехнологіях та фотоніці, де їх спектральні характеристики визначають ефективність і продуктивність пристроїв. Проте сучасні методи аналізу мають низку обмежень, таких як низька точність і недостатня стійкість до шуму, що ускладнює роботу зі складними системами. Метою цього дослідження є розробка нової гібридної моделі оберненого аналізу, яка поєднує класичні ітераційні методи та глибинні нейронні мережі. Запропонована модель використовує переваги попереднього навчання нейромереж для швидкої ініціалізації параметрів багатошарових структур та ітераційні методи для їх оптимізації.У ході роботи створено алгоритм і відповідний програмний продукт, який реалізовано на мові Python та апробовано на синтетичних даних із шумами. Реалізація моделі виконана із використанням бібліотек NumPy, SciPy, Matplotlib, а також TensorFlow і Keras для побудови та навчання глибинних нейронних мереж. Такий підхід забезпечив ефективну обробку даних, високу точність результатів і можливість адаптації до різних експериментальних умов. Результати показали, що модель забезпечує високу точність у відновленні спектральних параметрів навіть за умов значного рівня шуму. Це підтверджується низькими значеннями середньоквадратичної похибки та високим коефіцієнтом детермінації, що перевищують результати традиційних підходів. Окрім того, модель виявилася адаптивною до змін у геометрії шарів та оптичних властивостях, а її використання дозволило скоротити кількість ітерацій завдяки попередньому навчанню глибинних нейронних мереж.Застосування розробленої моделі є перспективним для спектроскопії, розробки оптичних покриттів, сенсорів і фотонних пристроїв. Її гнучкість дозволяє працювати з невеликими навчальними вибірками, а здатність адаптуватися до шумів розширює можливості аналізу. Подальше вдосконалення алгоритму, включаючи оптимізацію нейронних мереж та розширення навчальної бази, може значно розширити сфери її застосування та забезпечити ще вищу точність.

Посилання

Xuyang, L., Hongle, A., Wensheng, C., Xueguang, S. (2024). Deep learning in spectral analysis: Modeling and imaging. Trends in Analytical Chemistry, 172, Article 117612. https://doi.org/10.1016/j.trac.2024.117612

Mishra, P., Passos, D., Marini, F., Xu, J., Amigo, M. J., Gowen, et al. (2022). Deep learning for near-infrared spectral data modelling: Hypes and benefits. Trends in Analytical Chemistry, 157(2), 10.1016/s0731-7085(01), Article 00690-2. https://doi.org/10.1016/j.trac.2022.116804

Schuetzke, J., Szymanski, N. J., Reischl, M. (2023). Validating neural networks for spectroscopic classification on a universal synthetic dataset. npj Comput Mater, 9(100). https://doi.org/10.1038/s41524-023-01055-y

Primrose, M. S., Giblin, J., Smith, C., Anguita, M. R., Weedon, G. H. (2022). One dimensional convolutional neural networks for spectral analysis. Algorithms, Technologies, and Applications for Multispectral and Hyperspectral Imaging XXVIII, 120940C. https://doi.org/10.1117/12.2618487

Liu, J., Osadchy, M., Ashton, L., Foster, M., Solomone, C. J., Gibson, S. J. (2017). Deep convolutional neural networks for Raman spectrum recognition: a unified solution. The Analyst, 21. https://doi.org/10.1039/C7AN01371J.

Madden, M. G., Ryder, A. G. (2002). Machine learning methods for quantitative analysis of Raman spectroscopy data. Proc. SPIE 4876, Opto-Ireland 2002: Optics and Photonics Technologies and Applications. https://doi.org/ 10.1117/12.464039

Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559, 547–555. https://doi.org/10.1038/s41586-018-0337-2

Mahani, M. K., Chaloosi, M., Maragheh, M. G., Khanchi, A. R., Afzali, D. (2007). Comparison of Artificial Neural Networks with Partial Least Squares Regression for Simultaneous Determinations by ICP-AES. Chinese Journal of Chemistry, 25(11), 1658–1662. https://doi.org/10.1002/cjoc.200790306

Marini, F., Bucci, R., Magrì, A. L., Magrì, A. D. (2008). Artificial neural networks in chemometrics: History, examples and perspectives. Microchemical Journal, 88(2), 178–185. https://doi.org/10.1016/j.microc.2007.11.008

Born, M., & Wolf, E. (1999). Principles of Optics: Electromagnetic Theory of Propagation, Interference, and Diffraction of Light. Cambridge University Press. https://doi.org/10.1017/CBO9781139644181

Vassallo, E., Laguardia, L., Catellani, M., Cremona, A., Dellera, F., Ghezzi, F. (2007). Characterization of Poly(3‐ Methylthiophene)‐like Films Produced by Plasma Polymerization. Plasma Processes and Polymers, 4, S801–S805. https://doi.org/10.1002/ppap.200731909

Han, K., Chang, C. H. (2014). Numerical Modeling of Sub-Wavelength Anti-Reflective Structures for Solar Module Applications. Nanomaterials, 4(1), 87–128. https://doi.org/10.3390/nano4010087

Zhou, W., Cao, Y., Zhao, H., Li, Z., Feng, P., & Feng, F. (2022). Fractal Analysis on Surface Topography of Thin Films: A Review. Fractal and Fractional, 6(3), 135. https://doi.org/10.3390/fractalfract6030135

Zhang, S., Deng, Q., Ding, Z. (2022). Multilayer graph spectral analysis for hyperspectral images. EURASIP Journal on Advances in Signal Processing. https://doi.org/10.1186/s13634-022-00926-8

Palacz, M. (2018). Spectral Methods for Modelling of Wave Propagation in Structures in Terms of Damage Detection – A Review. Applied Sciences, 8(7), 1124. https://doi.org/10.3390/app8071124

Xuyang, L., Hongle, A., Wensheng, C., Xueguang, S. (2024). Deep learning in spectral analysis: Modeling and imaging. TrAC Trends in Analytical Chemistry, 172, Article 117612. https://doi.org/10.1016/j.trac.2024.117612

Parrein, P., Moussy, N., Poupinet, L., Gidon, P. (2009). Multilayer structure for a spectral imaging sensor. Applied Optics, 48, 653–657. https://doi.org/10.1364/AO.48.000653

Koleva, M. N., Vulkov, L. G. (2024). Numerical Solution of External Boundary Conditions Inverse Multilayer Diffusion Problems. Symmetry, 16(10), 1396. https://doi.org/10.3390/sym16101396

Nishawala, V. V., Ostoja-Starzewski, M., Porcu, E., Shen, L. (2020). Random Fields with Fractal and Hurst Effects in Mechanics. In: Altenbach, H., Öchsner, A. (eds) Encyclopedia of Continuum Mechanics. Springer. https://doi.org/ 10.1007/978-3-662-55771-6_74

Terven, J., Cordova-Esparza, D. M., Ramirez-Pedraza, A., Chávez Urbiola, E. (2023). Loss Functions and Metrics in Deep Learning. A Review. https://doi.org/10.48550/arXiv.2307.02694

Paschotta, R. (2025). Fresnel Equations. RP Photonics Encyclopedia. Retrieved January 19, 2025. https://doi.org/ 10.61835/tql

Zhang, J. (2019). Gradient Descent Based Optimization Algorithms for Deep Learning Models Training. arXiv. Retrieved January 19, 2025. https://doi.org/10.48550/arXiv.1903.03614

Downey, A. B. (2017). Modeling and Simulation in Python. Green Tea Press. Needham, Massachusetts. 228 p. https://greenteapress.com/wp/modsimpy/ https://allendowney.github.io/ModSimPy/

Shuaibov, A., Minya, A., Malinina, A., Gritsak, R., Malinin, A., Bilak, Yu., Vatrala, M. (2022). Characteristics and Plasma Parameters of the Overstressed Nanosecond Discharge in Air between an Aluminum Electrode and a Chalcopyrite Electrode (CuInSe2). Surface Engineering and Applied Electrochemistry, 58(4), 369–385. https://doi.org/10.3103/ S1068375522040123

Bondar, I., Suran, V., Minya, O., Shuaibov, O., Bilak, Yu., Shevera, I., Malinina, A., Krasilinets, V. (2023). Synthesis of surface structures during laser-stimulated evaporation of a copper sulfate solution in distilled water. Ukrainian Journal of Physics, 68(2), 138. https://doi.org/10.15407/ujpe68.2.138

Shuaibov, O., Hrytsak, R., Minya, O., Malinina, A., Shevera, I., Bilak, Yu., Homoki, Z. (2024). Conditions for pulsed gas-discharge synthesis of thin tungsten oxide films from a plasma mixture of air with tungsten vapors. Physics and Chemistry of Solid State, 25(4), 684–688. https://doi.org/10.15330/pcss.25.4.684-688

Shuaibov, O. K., Hrytsak, R. V., Minya, O. I., Malinina, A. A., Bilak, Yu. Yu., & Homoki, Z. T. (2022). Spectroscopic diagnostics of overstressed nanosecond discharge plasma between zinc electrodes in air and nitrogen. Journal of Physical Studies, 26(2), 2501(8 p.). https://doi.org/10.30970/jps.26.2501

Shuaibov, O., Minya, O., Hrytsak, R., Malinina, A., Malinin, O., Bilak, Y., & Homoki, Z. (2024). Conditions for the deposition of selenium thin films from the plasma of an overvoltaged nanosecond discharge. J. Clin Bio Med Adv, 3(1), 01-09.

Kozubovsky, V. R., & Bilak, Yu. Yu. (2022). Express analysis of gas mixtures using a spectral correlator based on the Fabry–Perot interferometer. Journal of Applied Spectroscopy, 89(3), 495–499. https://doi.org/10.1007/ s10812-022-01385-7

##submission.downloads##

Опубліковано

2025-02-25