A machine learning approach for the automated classification of bulk sp<sup>2</sup> and sp<sup>3</sup> carbon materials
Notice bibliographique
Résumé
Abstract Principal component analysis (PCA) and linear discriminant analysis (LDA) were used to classify different types of carbon material based on their Raman spectra. The selected reference materials were highly oriented pyrolytic graphite (HOPG), diamond‐like carbon (DLC), glassy carbon (GC), hydrogenated graphite‐like carbon (GLCH), and hydrogenated polymer‐like carbon (PLCH). These materials vary in crystallinity, predominant carbon hybridization, and hydrogen content. The training dataset was Raman spectra collected from commercial samples (HOPG, DLC, GC) and samples synthesized in our laboratory (GLCH, PLCH). The Raman spectra were collected using 532 nm laser excitation. The classification model revealed that the first principal component (PC1) was the determinant source of information to separate the crystalline from the amorphous carbon samples. PC2 allowed the separation of amorphous material with different levels of hybridization (sp2 and sp3). Finally, both PC2 and PC3 contributed to separate materials with different levels of hydrogenation. The classification model was tested using a library of Raman spectra of carbon materials reported in the literature, and the results showed a high accuracy prediction (97%). The model presented here provides an avenue for automated classification of carbon materials using Raman spectroscopy and machine learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».