استخراج نقشه هاي مولكولي با استفاده ازاندازه گيري داده هاي فراطيفي رامان توسط سامانه تركيبي طيف سنجي پراكندگي غيرخطي رامان و ميكروسكوپ كانفوكال نوري و پياده سازي الگوريتم هاي نظارت نشده يادگيري ماشين ن

Molecular Maps Extraction by Measuring Raman Hyperspectral Data Using Non-Linear Raman Spectrometer Coupled with an Optical Confocal Microscope and Implementing Unsupervised Machine Learning Algorithms

در اين مقاله، از يك چيدمان اپتيكي تركيبي متشكل از يك ميكروسكوپ كانفوكال نوري و يك سامانه­ ي طيف­ سنجي رامان HORIBA استفاده شده است. با استفاده از اين چيدمان و بهره گيري از ليزر 532نانومتر، سطح يك نمونه­ ي دو پليمري با توزيع ناهمگن به تعداد 3900 نقطه جاروب شده و طيف پراكندگي غيرخطي رامان نمونه در نقاط مختلف به ثبت رسيده است. از تجميع داده ­هاي خام طيفي تهيه شده و مختصات فضايي هر طيف، تصاويري موسوم به تصاوير فراطيفي (HS) دوبعدي تهيه شده كه در آن هر پيكسل حاوي يك بازه ­ي طيفي از پراكندگي غيرخطي رامان است. سپس با استفاده از روش­هاي آماري پيشرفته در حوزه­ ي يادگيري ماشين، اطلاعات مربوط به نحوه­ي توزيع مولكولي و فازهاي شيميايي نمونه­ ي مزبور با حساسيت و دقت بالا استخراج گرديده است. اين روش تركيبي به همراه روش­هاي نظري مذكور، به خوبي مي ­تواند مجموعه داده ­هاي پيچيده و بزرگ تصوير HS را تحليل و اطلاعات نمونه­ هاي طيف ­نگاري شده را به دست دهد.

In this work, an optical confocal microscope coupled with a HORIBA Raman spectrometer has been used. The surface of a two-fold polymer specimen with inhomogeneous distribution has been scanned, using a green 532nm laser to obtain its non-linear Raman scattering data. By integrating this specimen spectral data with their spatial characteristics, a so-called non-linear Raman-based hyperspectral (HS) image was recorded. This HS image was then analyzed using advanced statistical methods of machine learning in order to extract high-sensitive and high-precision information of the sample molecular distribution and its chemical phases. We have shown that this optical and statistical combination method is a very much reliable tool for various physical and chemical sample analysis.