РОЗРОБКА ГІБРИДНОЇ МОДЕЛІ ОБЕРНЕНОГО АНАЛІЗУ ДЛЯ ОЦІНКИ СПЕКТРАЛЬНИХ ХАРАКТЕРИСТИК БАГАТОШАРОВИХ СТРУКТУР
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.1.2.3Ключові слова:
багатошарові структури, спектральний аналіз, математичне моделювання, гібридна модель, ітераційні методи, глибинне навчання, нейронні мережіАнотація
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
