Zitieren Sie bitte immer diese URN: urn:nbn:de:kobv:b43-498997

Fast fitting of reflectivity data of growing thin films using neural networks

  • X-ray reflectivity (XRR) is a powerful and popular scattering technique that can give valuable insight into the growth behavior of thin films. This study Shows how a simple artificial neural network model can be used to determine the thickness, roughness and density of thin films of different organic semiconductors [diindenoperylene, copper(II) phthalocyanine and alpha-sexithiophene] on silica from their XRR data with millisecond computation time and with minimal user input or a priori knowledge. For a large experimental data set of 372 XRR curves, it is shown that a simple fully connected model can provide good results with a mean absolute percentage error of 8–18% when compared with the results obtained by a genetic least mean squares fit using the classical Parratt formalism. Furthermore, current drawbacks and prospects for improvement are discussed.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar
Metadaten
Autoren/innen:A. Greco, V. Starostin, C. Karapanagiotis, A. Hinderhofer, A. Gerlach, L. Pithan, Sascha LiehrORCiD, Frank Schreiber, Stefan KowarikORCiD
Dokumenttyp:Zeitschriftenartikel
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):Journal of Applied Crystallography
Jahr der Erstveröffentlichung:2019
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.6 Faseroptische Sensorik
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Verlag:Wiley
Jahrgang/Band:52
Erste Seite:1342
Letzte Seite:1347
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Artificial neural networks; X-ray reflectivity
Themenfelder/Aktivitätsfelder der BAM:Analytical Sciences
Analytical Sciences / Oberflächen- und Grenzflächenanalytik
DOI:https://doi.org/10.1107/S1600576719013311
URN:urn:nbn:de:kobv:b43-498997
ISSN:1600-5767
Zugehöriger Identifikator:https://opus4.kobv.de/opus4-bam/frontdoor/index/index/docId/51888
Verfügbarkeit des Dokuments:Datei für die Öffentlichkeit verfügbar ("Open Access")
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Datum der Freischaltung:05.12.2019
Referierte Publikation:Ja
Datum der Eintragung als referierte Publikation:09.12.2019
Schriftenreihen ohne Nummerierung:Wissenschaftliche Artikel der BAM