استخراج نقشه های مولکولی با استفاده ازاندازه گیری داده های فراطیفی رامان توسط سامانه ترکیبی طیف سنجی پراکندگی غیرخطی رامان و میکروسکوپ کانفوکال نوری و پیاده سازی الگوریتم های نظارت نشده یادگیری ماشین ن

در این مقاله، از یک چیدمان اپتیکی ترکیبی متشکل از یک میکروسکوپ کانفوکال نوری و یک سامانه­ ی طیف­ سنجی رامان horiba استفاده شده است. با استفاده از این چیدمان و بهره گیری از لیزر 532نانومتر، سطح یک نمونه­ ی دو پلیمری با توزیع ناهمگن به تعداد 3900 نقطه جاروب شده و طیف پراکندگی غیرخطی رامان نمونه در نقاط مختلف به ثبت رسیده است. از تجمیع داده ­های خام طیفی تهیه شده و مختصات فضایی هر طیف، تصاویری موسوم به تصاویر فراطیفی (hs) دوبعدی تهیه شده که در آن هر پیکسل حاوی یک بازه ­ی طیفی از پراکندگی غیرخطی رامان است. سپس با استفاده از روش­های آماری پیشرفته در حوزه­ ی یادگیری ماشین، اطلاعات مربوط به نحوه­ی توزیع مولکولی و فازهای شیمیایی نمونه­ ی مزبور با حساسیت و دقت بالا استخراج گردیده است. این روش ترکیبی به همراه روش­های نظری مذکور، به خوبی می ­تواند مجموعه داده ­های پیچیده و بزرگ تصویر hs را تحلیل و اطلاعات نمونه­ های طیف ­نگاری شده را به دست دهد.

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

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.