基于蒙特卡洛方法的遗传算法和数字孪生技术在定量X射线荧光光谱分析中的应用

《Spectrochimica Acta Part B: Atomic Spectroscopy》:A Monte Carlo–driven genetic algorithm and digital twin approach for quantitative X-ray fluorescence spectroscopy

【字体: 大 中 小 】 时间:2025年12月26日 来源:Spectrochimica Acta Part B: Atomic Spectroscopy 3.2

编辑推荐:

  X射线荧光光谱分析中提出基于遗传算法与蒙特卡洛辐射传输的优化框架,通过物理仿真实现元素组成与实验参数的迭代优化,显著降低系统误差并提升复杂样品分析精度,数字孪生方法验证其在实验规划与后处理分析中的高效性。

  
艾莉森·奥布莱恩(Allison O’Brien)|塞缪尔·韦伯(Samuel Webb)|丽贝卡·阿伯格尔(Rebecca Abergel)
美国加利福尼亚大学伯克利分校(University of California, Berkeley, CA, USA)

摘要

传统的X射线荧光(XRF)定量方法通常依赖于光谱拟合和简化的衰减模型,这些方法对于厚样品、异质样品或几何形状依赖性样品可能会引入系统误差。在这里,我们提出了一种遗传算法(GA)框架,并结合了蒙特卡洛(MC)辐射传输技术,将进化优化应用于成分估计和实验参数选择。利用Geant4模拟作为物理上精确的参考,GA根据光谱一致性迭代优化元素比例和束流条件。
对于包含多达七种元素的模拟样品,该遗传算法能够一致收敛,并且在信息量较低的情况下仍能保持较高的准确性,优于随机采样方法。实验规划遗传算法通过调整激发能量来提高光谱质量,使峰值信噪比提高了80%以上。将这两种技术结合在数字孪生方法中,可以将平均绝对误差降低14.5%,同时优化实验设置。在高性能计算系统上的并行化研究表明,优化的多处理和多线程技术可以将运行时间减半,从而实现更大规模问题的处理。
这项工作展示了利用遗传算法驱动的优化和MC模拟作为强大的XRF数字孪生框架,增强了实验规划和实验后分析的能力。

引言

X射线荧光(XRF)光谱是一种广泛使用的无损技术,用于确定样品的元素组成。XRF的关键工作原理是测量当材料被初级X射线源激发时发出的特征性次级X射线(即荧光X射线)。发射峰的能量可以识别存在的元素,而它们的强度反映了相对丰度。由于其多功能性、快速性和最小的样品制备要求,XRF已被应用于多个领域,包括土壤科学中的养分评估和污染监测[1]、通过牙齿中的微量元素分析进行的生物考古学[2]、通过珊瑚中的元素映射进行的环境科学[3],以及文化遗产研究中的历史艺术品中颜料和修复层的无损识别[4]。这些应用使用了多种XRF模式,从用于大规模扫描的宏观XRF到用于生物和矿物结构高分辨率映射的微观XRF[3]。在最前沿的技术中,基于同步辐射的X射线荧光显微镜结合了微聚焦X射线束和精确扫描,生成了高信噪比的二维元素图,通常在纳米尺度上。这项技术最近使得古代牙组织、工程材料和环境地质聚合物的详细化学成像成为可能[2]。为了支持这些应用,社区开发的框架包括用于定量XRF分析的PyMCA[5],以及用于XAFS和基于MCA的XRF工作流的IFEFFIT及其现代继任者Larch[6],[7],[8],使初学者也能进行高质量的光谱分析,同时保留了专家所需的灵活性。基于这种既易用又强大的分析工具的理念,本研究提出了一种基于优化的XRF逆问题解决方法。
这里介绍的方法采用遗传算法(GA)与蒙特卡洛(MC)辐射传输模型相结合,解决XRF分析中的逆优化问题。MC模拟用于模拟X射线与物质的全部物理相互作用,能够在定义的实验条件下生成参考光谱,包括具有复杂样品几何形状和探测器配置的情况[9](见第2.2节XRF建模的蒙特卡洛模拟,第3.1节蒙特卡洛辐射传输模拟)。这些光谱作为输入,GA根据光谱一致性迭代优化实验参数或样品组成。第一个目标是在束流时间之前指导实验设计,重点是通过GA–MC框架优化激发能量,以提高测量质量并更有效地利用同步辐射资源。对于PyMCA的用户,第4.2节还讨论了与几何形状和校准设置相关的额外建议。第二个目标关注实验后分析,在传统工具(如PyMCA)可能受限的情况下(如信息量较低的情况下)改进元素识别[10],[11](见第2.1节)。这些目标共同支持了数字孪生(DT)框架的发展,其中正向模拟和逆优化相结合,改进了XRF实验的规划和解释,建立在早期关于XRF中逆向MC应用的演示基础上[12]。我们框架的重点是可用性和适应性,降低了XRF分析的入门门槛,同时也能够应用先进的优化原理,并保持对不同样品组成、几何形状和测量设置的灵活性。尽管本研究仅关注了一组有限的优化参数,但实现的用户界面允许自定义许多其他可以通过相同方式优化的实验变量。

部分摘录

传统模型的局限性

传统的XRF分析工具通常通过光谱反卷积和拟合来进行定量分析。迭代最小二乘法(AXIL)分析使用迭代最小二乘拟合将数学上的峰模型和背景模型与观测光谱匹配[13],[14],而PyMCA则结合了这种拟合和基本参数方法计算,基于原子截面数据和衰减模型来估计浓度[5]。尽管PyMCA有所改进

蒙特卡洛辐射传输模拟

蒙特卡洛模拟使用Geant4 v11.0.1在UC Berkeley的Savio HPC集群上进行,分析和优化使用Python 3.12.7和MATLAB R2022b完成。选择Livermore EM物理构造器是为了准确模拟低能光子相互作用,并且计算成本合理。Geant4的xray_fluorescence示例通过将默认的G4ParticleGun替换为G4GeneralParticleSource进行了修改,从而实现了对粒子类型、能量的宏观控制

元素组成准确性

使用平均绝对误差(MAE)来评估组成准确性,定义为所有元素估计值与真实元素质量分数之间的平均绝对差异。PyMCA的结果与初始猜测值有很强的相关性(R=0.91,p0.001),而GA则没有显示出显著的相关性,表明无论初始假设如何都能收敛。这一点在图8(a)中有所说明。

PyMCA的局限性和建议

使用PyMCA进行准确的元素定量需要对样品有一个良好的初始猜测

结论

本研究提出了一种基于MC驱动的GA框架,用于XRF分析,将成分估计和实验参数优化集成在一个工作流程中。通过将Geant4模拟与进化搜索相结合,该方法能够捕捉X射线传输的全部物理过程,克服了传统拟合工具在复杂或信息量低的情况下的局限性。对于包含多达七种元素的模拟样品,该遗传算法能够在没有先验假设的情况下一致收敛

CRediT作者贡献声明

艾莉森·奥布莱恩(Allison O’Brien):撰写——原始草稿、软件开发、方法论、研究、数据分析、概念化。塞缪尔·韦伯(Samuel Webb):撰写——审阅与编辑、研究、数据分析。丽贝卡·阿伯格尔(Rebecca Abergel):撰写——审阅与编辑、监督、资源管理、项目协调、资金获取、概念化。

写作过程中生成式AI和AI辅助技术的声明

在准备这项工作时,作者使用了ChatGPT来提升文本的清晰度和风格。使用该工具/服务后,作者根据需要对内容进行了审阅和编辑,并对发表文章的内容负全责。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

这项工作得到了美国农业部国家食品与农业研究所(USDA National Institute of Food and Agriculture)的AFRI Competitive拨款(编号:2020-67021-32855,项目访问号:1024262)的支持。该拨款由AIFS:下一代食品系统AI研究所(AI Institute for Next Generation Food Systems)管理。这里描述的方法在X射线荧光光谱学中的应用得到了美国国立卫生研究院(National Institutes of Health, United States)、美国国家过敏和传染病研究所(National Institute of Allergy and Infectious Diseases, United States)(编号:1P01AI165380-01)的支持
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号