Enhancing efficiency at bamline: employing data science and machine learning for x-ray research
- This talk discusses how data science and machine learning techniques are being applied at the BAM Federal Institute for Materials Research and Testing to enhance efficiency and automation at the BAMLine synchrotron facility. The methods presented include Gaussian processes and Bayesian optimization for beamline adjustment and optimization of X-ray measurements. These statistical techniques allow automated alignment of beamline components and active learning scanning to reduce measurement time. Additional machine learning methods covered are neural networks for quantification of X-ray fluorescence (XRF) data and decoding coded apertures.
Autor*innen: | Martin RadtkeORCiD |
---|---|
Weitere Person: | Ana Buzanich, C.T. Cakir |
Dokumenttyp: | Vortrag |
Veröffentlichungsform: | Präsentation |
Sprache: | Englisch |
Jahr der Erstveröffentlichung: | 2023 |
Organisationseinheit der BAM: | 6 Materialchemie |
6 Materialchemie / 6.3 Strukturanalytik | |
DDC-Klassifikation: | Naturwissenschaften und Mathematik / Chemie / Analytische Chemie |
Freie Schlagwörter: | BAMline; Bayesian Optimization; Gaussian Process |
Themenfelder/Aktivitätsfelder der BAM: | Chemie und Prozesstechnik |
Chemie und Prozesstechnik / Chemische Charakterisierung und Spurenanalytik | |
Veranstaltung: | 17th International Work-Conference on Artificial Neural Networks (IWANN2023) |
Veranstaltungsort: | Ponta Delgada, Portugal |
Beginndatum der Veranstaltung: | 19.06.2023 |
Verfügbarkeit des Dokuments: | Datei im Netzwerk der BAM verfügbar ("Closed Access") |
Datum der Freischaltung: | 18.10.2023 |
Referierte Publikation: | Nein |
Eingeladener Vortrag: | Nein |