基于机器学习的低能反光电子能谱自动化分析新方法

《Journal of Electron Spectroscopy and Related Phenomena》:Automated analysis of low-energy inverse photoelectron spectra using machine learning

【字体: 大 中 小 】 时间:2025年12月31日 来源:Journal of Electron Spectroscopy and Related Phenomena 1.5

编辑推荐:

  针对有机半导体电子亲合能(EA)测定依赖人工分析、耗时且需专业经验的问题,研究人员开发了基于机器学习的LEIPS谱图自动化分析方法。通过线性回归分析LEET谱确定真空能级,结合梯度提升(GB)和随机森林(RF)模型分析253个实验谱图,实现了EA值的自动化精确测定,准确度达±0.2?eV(90%测试数据),为半导体器件研发提供高效分析工具。

  
在半导体材料研究领域,精确测定电子亲合能(Electron Affinity, EA)和电离能(Ionization Energy, IE)对于理解材料电子结构、优化器件性能至关重要。其中,电子亲合能代表了半导体导带底相对于真空能级的能量位置,直接决定了电子在材料中的传导能力。然而,与电离能可通过光电子能谱(Photoelectron Spectroscopy, PES)等成熟技术方便测定不同,电子亲合能的精确测量一直面临挑战。
传统上,研究人员尝试通过电离能与光学带隙的组合来估算电子亲合能,但由于有机半导体中存在较大的激子结合能(0.2-1.0 eV),这种方法往往不够准确。循环伏安法测得的还原电位也无法准确反映固体材料中的电子亲合能。因此,直接测量固体材料电子亲合能的反光电子能谱(Inverse Photoelectron Spectroscopy, IPES)技术显得尤为重要。
低能反光电子能谱(Low-energy Inverse Photoelectron Spectroscopy, LEIPS)作为IPES的重要进展,由Yoshida在2012年开发,显著降低了辐照损伤,提高了信噪比,使有机半导体电子亲合能的测量精度可达0.1 eV以内,与光电子能谱测定电离能的精度相当。然而,LEIPS谱图分析仍存在明显瓶颈:确定谱图起始点需要分析师具备丰富经验,过程耗时且结果易受主观因素影响。研究表明,有经验的专家(分析超过100个谱图)确定EA值的标准偏差为0.02 eV,而新手分析师的偏差可达0.04 eV,凸显了经验积累的重要性。
随着LEIPS仪器的商业化普及,以及自动化实验需求的增长,开发快速、可靠的自动化分析方法成为当务之急。机器学习技术在谱图分析领域已展现出潜力,如X射线光电子能谱峰分离和光电子发射产额谱(Photoemission Yield Spectroscopy, PYS)起始点确定等应用。然而,现有的基于Fowler理论方程的PYS谱图分析方法对金属材料有效,对有机半导体等非金属材料的准确性较低。
本研究针对这一技术空白,开发了基于机器学习的LEIPS谱图自动化分析方法,实现了电子亲合能的快速、精确测定。研究团队通过整合线性回归、梯度提升(Gradient Boosting, GB)和随机森林(Random Forest, RF)等机器学习模型,建立了一套完整的分析流程,为有机半导体材料研究提供了强有力的工具。
研究采用的关键技术方法包括:收集253个实验LEIPS谱图作为训练数据集,涵盖27种有机半导体材料;使用线性回归模型分析低能电子透射(LEET)谱确定真空能级;应用GB和RF机器学习模型分析LEIPS谱图起始点;采用Savitzky-Golay方法进行谱图平滑处理;通过能量方向的数据增强扩充训练集。
真空能级确定方面,研究人员通过分析LEET谱的一阶导数最大值,采用三次多项式拟合方法,实现了真空能级的自动化精确测定,精度达0.01 eV。与高斯函数拟合相比,三次多项式能更好地适应不对称的dI/dV曲线形状,将平均偏差从-0.017 eV改善至-0.001 eV,标准偏差从0.016 eV降低至0.011 eV。
电子亲合能测定方面,研究比较了GB和RF两种机器学习模型的表现。初始结果表明,两种模型均能较好地预测EA值,其中RF模型在未平滑数据上的预测精度略优于GB模型。针对谱图噪声和特殊线型导致的预测偏差,研究人员引入了谱图平滑处理,显著提高了预测准确性。通过优化平滑参数(25点平滑3次),将预测值的标准偏差从0.25 eV(GB)和0.19 eV(RF)显著降低。
为进一步提升模型性能,研究还采用了数据增强策略,通过将训练谱图在能量方向进行平移(最优平移量为0.05 eV),将训练数据从202个扩充至4242个。这一措施有效改善了模型的泛化能力,使预测精度进一步提升。
最终,经过参数优化的GB和RF模型在测试集上表现出色:90%的测试数据预测误差在±0.2 eV以内(GB),91%的测试数据预测误差在±0.2 eV以内(RF);相应地在±0.1 eV精度水平上,分别达到70%(GB)和74%(RF)的准确率。这一精度优于传统UPS(±0.2 eV)和IPES(±0.35 eV)的不确定度范围,满足常规应用需求。
值得注意的是,不同材料谱图的预测效果存在差异。以C60为例,其谱图信噪比较高,GB和RF模型均能准确预测起始点,与专家分析结果高度一致。而对于锡酞菁(SnPc)等信噪比较低的材料,谱图平滑处理对提高预测准确性至关重要。锌酞菁(ZnPc)谱图中存在的复杂上升边缘则对模型识别能力提出了更高要求。
研究的创新性体现在多个方面:首次将机器学习技术应用于LEIPS谱图分析;建立了完整的真空能级和谱图起始点自动化测定流程;提出了针对实验谱图特点的数据预处理和增强策略;验证了方法在多种有机半导体材料上的普适性。
该方法不仅适用于有机半导体材料的LEIPS谱图分析,还可推广至其他材料的电子结构表征,以及紫外光电子能谱等技术的起始点确定。随着自动化实验技术的发展,该方法有望与自动化测量系统结合,实现从数据采集到分析的全流程自动化,大幅提升研究效率。
尽管当前方法已取得显著成果,但对于需要0.05 eV级别超高精度的特殊应用场景,仍有进一步优化的空间。未来工作可考虑引入更先进的机器学习模型,如深度学习网络,并结合更大规模的训练数据集,进一步提升预测精度和鲁棒性。
本研究开发的自动化分析方法不仅解决了LEIPS技术推广中的关键瓶颈问题,也为光谱分析领域的自动化转型提供了重要参考。通过降低分析门槛、提高效率,该方法将促进有机半导体材料的深入研究,加速新型半导体器件的开发进程。随着机器学习技术在科学数据分析中的广泛应用,此类研究范式将为实验科学带来革命性变化。
相关新闻
生物通微信公众号
微信
新浪微博

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