008240612s2023      us  |||||||||||||||c||eng  d
■001000016933316
■00520240214101231
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379909284
■035    ▼a(MiAaPQ)AAI30527497
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aTetef,  Samantha.
■24510▼aInformation  Content  and  Analysis  of  X-Ray  Absorption  Spectroscopy  and  X-Ray  Emission  Spectroscopy  Using  Machine  Learning▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(314  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Seidler,  Gerald  T.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aData  science  and  machine  learning  (ML)  methods  are  revolutionizing  scientific  analysis  and  data  processing.  As  a  case  in  point,  ML  applied  to  X-ray  spectroscopies  has  recently  exploded,  showcasing  its  effectiveness  in  fields  such  as  electrical  energy  storage  and  chemical  catalysis.  Here,  I  include  comprehensive  computational  studies  of  ML  techniques  applied  to  X-ray  spectra,  including  X-ray  absorption  near  edge  structure  (XANES)  and  valence-to-core  X-ray  emission  spectra  (VtC-XES).  First,  I  utilize  unsupervised  ML  to  extract  import  chemical  fingerprints  and  information  content  in  sulforganics  and  phosphorganics,  elucidating  important  and  sometimes  surprising  correlations  between  spectral  content  and  elemental  coordination  or  electronic  structure.  In  this  work,  I  compare  different  unsupervised  ML  techniques,  namely  principal  component  analysis  (PCA),  variational  autoencoder  (VAE),  t-distributed  stochastic  neighbor  embedding  (t-SNE),  and  uniform  manifold  approximation  and  projection  (UMAP),  and  I  find  important  benefits  from  the  added  flexibility  of  similarity-based  manifold  mappings.  Additionally,  I  help  develop  open-source  tools  for  future  researchers  to  utilize,  including  an  API  that  interacts  with  PubChem  to  efficiently  download  and  store  metadata.  Next,  I  use  ML  to  improve  the  reliability  of  data  analysis  and  decrease  computational  time  in  the  context  of  XANES  imaging  experiments.  To  do  so,  I  utilize  dimensionality  reduction  and  clustering  to  perform  image  segmentation  and  then  identified  phase  composition  using  linear  combination  fitting.  By  decoupling  the  domain  identification  from  the  phase  identification,  I  provide  a  more  robust  way  to  handle  noise  that  was  not  reliant  on  obtaining  appropriate  linear  combination  fitting  results.  Moreover,  my  pipeline  is  flexible  enough  to  uniquely  incorporate  auxiliary  data  or  multimodal  characterization  measurements.  Finally,  I  use  feature  selection  to  accelerate  high-throughput  experimental  design.  Specifically,  I  use  Recursive  Feature  Elimination  to  select  the  most  important  energies  in  XANES  spectra  to  measure  in  the  context  of  a  reference  library.  This  approach  is  validated  by  appropriate  analysis  on  these  reduced-energy  spectra  using  a  nano-XANES  image.  All  these  approaches  and  tools  are  broadly  applicable  to  X-ray  spectroscopy  on  other  chemical  systems  or  and  are  also  likely  to  find  use  in  other  spectroscopy  techniques.
■590    ▼aSchool  code:  0250.
■650  4▼aPhysics.
■650  4▼aNanotechnology.
■650  4▼aOptics.
■653    ▼aMachine  learning
■653    ▼aX-ray  spectroscopy
■653    ▼aVariational  autoencoder
■690    ▼a0605
■690    ▼a0800
■690    ▼a0752
■690    ▼a0652
■71020▼aUniversity  of  Washington▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933316▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024