Применение методов машинного обучения для идентификации спиновых центров в оксидах металлов

В данной работе решается задача классификации спектров электронного парамагнитного резонанса (ЭПР) нанокристаллических оксидов металлов (на примере нанооксидов алюминия и титана) и идентификации спиновых центров с применением методов машинного обучения. На основе литературных данных и выполненного исследования нанооксидов металлов методом ЭПР были отобраны спиновые центры (радикалы), которые наиболее часто встречаются в наноразмерных оксидах, в частности в оксидах алюминия и титана. Поскольку имеющихся экспериментальных спектров оказалось недостаточно для формирования репрезентативного датасета, для обучения моделей использовался синтетический датасет, полученный путем симуляции экспериментальных спектров и добавления гауссова шума с целью приближения смоделированных спектров ЭПР к реальным. Тестовый датасет состоял из реальных экспериментальных спектров ЭПР. Для решения задачи классификации были протестированы модели классического машинного обучения (SVM,Random Forest, LGBM, CatBoost, XGBoost) и сверточные нейронные сети (ResNet18, Resnet34, Efficientnetb0, Efficientnetb3, Mobilenetv2). Была проведена предварительная предобработка данных,заключавшаяся в извлечении дополнительных признаков из спектральных данных для задач классического машинного обучения. Наилучшая средняя точность 98% была получена с использованием модели градиентного бустинга CatBoost и нейросетевой модели ResNet18. Полученные результаты позволят автоматизировать процесс обработки спектров ЭПР, что значительно упростит и ускорит процесс работы ученых, выполняющих научные исследования в областях физики конденсированного состояния, а также будут способствовать популяризации метода ЭПР в научном сообществе.