Automating Trace Detection and Chemical Purity Analysis of Carbon Nanotube Mixtures by Non-Negative Matrix Factorization of Spatial Raman Scattering Hyperspectra
Notice bibliographique
Résumé
Carbon nanotubes come in different species having different properties. So, it is useful to develop automated ways to quantify species purities and trace impurity content. Spatially scanned Raman spectra make hyperspectral data sets that can be used to discriminate between species and determine purities, and their analysis can be automated. A promising analytical machine learning approach is non-negative matrix factorization, which is a multivariate algorithm well adapted to hyperspectral Raman scattering data sets, and, significantly, available in open source. We prepare samples from different concentrations of pure nanotubes and acquire spatially scanned Raman scattering hyperspectra. We compare the known concentrations of the source dispersions to those determined from hyperspectra acquired from deposited materials on substrates. Here, we demonstrate and deal with several metrological issues: We show that the stability of the focusing conditions is critical. We show that if there are strong peaks that are not significant, normalization is helpful. We show that this approach compares favorably to the “best case” situation where the spectra are factored into a priori known library spectra. Scans of around 100 data points provided good bounds on concentrations down to about the parts per thousand level. Using more than one laser wavelength, so that different species are brought into resonance with each laser should enable higher relative purity measurements. However, there is an important consideration if the difference in laser energies is less than or comparable to the phonon energy. Overall, this approach is promising for the determination of chemical purity of carbon nanotubes and could be generalized to other chemical mixtures.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».