Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії
In the work, the technology of modeling, optimization and prediction of spectral characteristics of thin films based on Raman spectroscopy with the use of artificial intelligence was developed. Modern machine learning methods are implemented, including ensemble algorithms (random forest, gradient bo...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | English |
| Veröffentlicht: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2025
|
| Schlagworte: | |
| Online Zugang: | https://jais.net.ua/index.php/files/article/view/431 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Problems of Control and Informatics |
Institution
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-431 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2025-04-27T12:16:17Z |
| collection |
OJS |
| language |
English |
| topic |
раманівська спектроскопія тонкі плівки імітаційне моделювання машинне навчання спектральний аналіз оптимізація нейронні мережі фізико-хімічні властивості |
| spellingShingle |
раманівська спектроскопія тонкі плівки імітаційне моделювання машинне навчання спектральний аналіз оптимізація нейронні мережі фізико-хімічні властивості Bilak, Yuriy Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії |
| topic_facet |
раманівська спектроскопія тонкі плівки імітаційне моделювання машинне навчання спектральний аналіз оптимізація нейронні мережі фізико-хімічні властивості Raman spectroscopy thin films modelling machine learning spectral analysis optimization neural networks physicochemical properties |
| format |
Article |
| author |
Bilak, Yuriy |
| author_facet |
Bilak, Yuriy |
| author_sort |
Bilak, Yuriy |
| title |
Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії |
| title_short |
Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії |
| title_full |
Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії |
| title_fullStr |
Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії |
| title_full_unstemmed |
Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії |
| title_sort |
технологія моделювання, оптимізації та ші-прогнозування у раманівській спектрометрії |
| title_alt |
Modeling, optimization and AI-forecasting technology in Raman spectrometry |
| description |
In the work, the technology of modeling, optimization and prediction of spectral characteristics of thin films based on Raman spectroscopy with the use of artificial intelligence was developed. Modern machine learning methods are implemented, including ensemble algorithms (random forest, gradient boosting) and neural networks, which ensures high accuracy of forecasts and automation of spectrum analysis. An innovative approach includes the use of the Voight profile, which combines Lorentzian and Gaussian components, allowing to describe accurately the width and shape of the peaks for approximation, taking into account the physicochemical parameters of the films and the influence of experimental conditions. The task is caused by the growing requirements for the accuracy of material analysis in the fields of optoelectronics, photocatalysis and sensor systems, where Raman spectroscopy is an indispensable tool. Traditional data processing methods are limited by the complexity of the interaction of light with the material, and the integration of AI allows you to overcome these difficulties, optimizing analysis and prediction. The proposed technology combines physical modeling of spectra with AI-prediction, which allows accurate consideration of the effects of defects, inhomogeneities, and absorption. Algorithms for model optimization with minimization of root mean square error and selection of the best model for specific problems have been implemented. Additional optimization of the model takes into account the influence of the film thickness due to the absorption coefficient and the suppression of unwanted reactions with the help of buffer gases (Ne, Ar). The developed approach provides reduction of time and resources for experimental research, automation of spectrum analysis and development of new materials. The application of AI methods allows obtaining highly accurate results even with a small amount of experimental data. The prospects for technology development include the integration of multilayer structures, consideration of material anisotropy, and detailed modeling of defects in films. Additionally, it can be adapted to analyze different types of materials, such as organic films or hybrid structures. Software enhancements can include automation of spectrum fitting, optimization of film parameters, and machine learning-based property prediction with large data sets. This opens up new opportunities for research in the physico-chemistry of materials and the development of intelligent analysis systems. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2025 |
| url |
https://jais.net.ua/index.php/files/article/view/431 |
| work_keys_str_mv |
AT bilakyuriy modelingoptimizationandaiforecastingtechnologyinramanspectrometry AT bilakyuriy tehnologíâmodelûvannâoptimízacíítašíprognozuvannâuramanívsʹkíjspektrometríí |
| first_indexed |
2025-10-30T02:49:10Z |
| last_indexed |
2025-10-30T02:49:10Z |
| _version_ |
1847373385504391168 |
| spelling |
oai:ojs2.jais.net.ua:article-4312025-04-27T12:16:17Z Modeling, optimization and AI-forecasting technology in Raman spectrometry Технологія моделювання, оптимізації та ШІ-прогнозування у раманівській спектрометрії Bilak, Yuriy раманівська спектроскопія тонкі плівки імітаційне моделювання машинне навчання спектральний аналіз оптимізація нейронні мережі фізико-хімічні властивості Raman spectroscopy thin films modelling machine learning spectral analysis optimization neural networks physicochemical properties In the work, the technology of modeling, optimization and prediction of spectral characteristics of thin films based on Raman spectroscopy with the use of artificial intelligence was developed. Modern machine learning methods are implemented, including ensemble algorithms (random forest, gradient boosting) and neural networks, which ensures high accuracy of forecasts and automation of spectrum analysis. An innovative approach includes the use of the Voight profile, which combines Lorentzian and Gaussian components, allowing to describe accurately the width and shape of the peaks for approximation, taking into account the physicochemical parameters of the films and the influence of experimental conditions. The task is caused by the growing requirements for the accuracy of material analysis in the fields of optoelectronics, photocatalysis and sensor systems, where Raman spectroscopy is an indispensable tool. Traditional data processing methods are limited by the complexity of the interaction of light with the material, and the integration of AI allows you to overcome these difficulties, optimizing analysis and prediction. The proposed technology combines physical modeling of spectra with AI-prediction, which allows accurate consideration of the effects of defects, inhomogeneities, and absorption. Algorithms for model optimization with minimization of root mean square error and selection of the best model for specific problems have been implemented. Additional optimization of the model takes into account the influence of the film thickness due to the absorption coefficient and the suppression of unwanted reactions with the help of buffer gases (Ne, Ar). The developed approach provides reduction of time and resources for experimental research, automation of spectrum analysis and development of new materials. The application of AI methods allows obtaining highly accurate results even with a small amount of experimental data. The prospects for technology development include the integration of multilayer structures, consideration of material anisotropy, and detailed modeling of defects in films. Additionally, it can be adapted to analyze different types of materials, such as organic films or hybrid structures. Software enhancements can include automation of spectrum fitting, optimization of film parameters, and machine learning-based property prediction with large data sets. This opens up new opportunities for research in the physico-chemistry of materials and the development of intelligent analysis systems. У роботі описано розробку технології моделювання, оптимізації та прогнозування спектральних характеристик тонких плівок на основі раманівської спектроскопії із застосуванням штучного інтелекту. Розглянуто впровадження сучасних методів машинного навчання, включно з ансамблевими алгоритмами (випадковий ліс, градієнтний бустинг) та нейронними мережами, що забезпечує високу точність прогнозів і автоматизацію аналізу спектрів. Інноваційний підхід передбачає використання профілю Войта, який поєднує лоренцівську та гаусівську складові, що дає змогу точно описувати ширину і форму піків для апроксимації з урахуванням фізико-хімічних параметрів плівок і впливу експериментальних умов. Задача актуальна у зв’язку зі зростанням вимог до точності аналізу матеріалів у галузях оптоелектроніки, фотокаталізу та сенсорних систем, у яких раманівська спектроскопія є незамінним інструментом. Традиційні методи обробки даних обмежені складністю взаємодії світла з матеріалом, а за допомогою інтеграції ШІ можна подолати ці труднощі завдяки оптимізації, аналізу і прогнозуванню. Запропонована технологія поєднує фізичне моделювання спектрів з ШІ-прогнозуванням, що дає змогу точно враховувати вплив дефектів, неоднорідностей і поглинання. Реалізовано алгоритми для оптимізації моделі з мінімізацією середньоквадратичної помилки і вибору найкращої моделі для вирішення специфічних задач. При додатковій оптимізації моделі враховується вплив товщини плівки з використанням коефіцієнта поглинання та придушення небажаних реакцій за допомогою буферних газів (Ne, Ar). Розроблений підхід забезпечує скорочення часу і ресурсів для експериментальних досліджень, автоматизацію аналізу спектрів і розробку нових матеріалів. Завдяки методам ШІ можна отримати високоточні результати навіть за невеликої кількості експериментальних даних. Серед перспектив розвитку — інтеграція багатошарових структур, урахування анізотропії матеріалів та детальне моделювання дефектів у плівках, а також адаптація для аналізу різних типів матеріалів, таких як органічні плівки чи гібридні структури. Розширення функціональних можливостей програмного забезпечення може передбачати автоматизацію фітингу спектрів, оптимізацію параметрів плівки та прогнозування властивостей на основі машинного навчання з великими наборами даних. Це відкриває нові можливості для досліджень фізико-хімічних властивостей матеріалів і розробки інтелектуальних систем аналізу. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2025-04-25 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/431 10.34229/1028-0979-2025-2-9 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 70 № 2 (2025): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 99-112 International Scientific Technical Journal "Problems of Control and Informatics; Том 70 № 2 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 99-112 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 70 No. 2 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 99-112 2786-6505 2786-6491 10.34229/1028-0979-2025-2 en https://jais.net.ua/index.php/files/article/view/431/588 Copyright (c) 2025 Yuriy Bilak https://creativecommons.org/licenses/by-nc-nd/4.0 |