Maschinelles Lernen zur Verbesserung der Parameterextraktion durch die Transfermatrixmethode und Anwendungen auf Röntgen- und Neutronenstreuung

• Antragsteller: Dr. Alexander Hinderhofer
• Fachliche Zuordnung: Experimentelle Physik der kondensierten Materie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 557510229

Im Bereich der Wellenausbreitung und der Wechselwirkungen an Grenzflächen ist die Transfermatrix-Methode (TMM) eine wichtige mathematische Methode zur Analyse der Ausbreitung von Wellen durch dünne Schichten und Lagenstrukturen, die insbesondere bei der Modellierung der Optik, insbesondere der Ellipsometrie, der Akustik, der Neutronen- und der Röntgenstrahlung nützlich ist. Die weit verbreitete Anwendung der TMM in verschiedenen Disziplinen hat unser Verständnis des Wellenverhaltens an Grenzflächen erheblich verbessert und zur Charakterisierung von dünnen Schichten und Materialien beigetragen. Eine derzeitige Herausforderung in der Charakterisierung von dünnen Schichten liegt in dem komplexen Prozess der Extraktion von Materialparametern aus experimentellen Daten aus Basis der TMM. In Anbetracht der Grenzen dieses konventionellen Ansatzes und der jüngsten Entwicklungen im Bereich des maschinellen Lernens ergibt sich die Möglichkeit, das Feld zu revolutionieren. Durch die Anwendung der Fähigkeiten eines maschinellen Lernmodells, das speziell für die Vorhersage von Parametern entwickelt wurde, wollen wir den Simulationsprozess verbessern und eine effizientere und leichter zugängliche Alternative zu TMM Simulationen und iterativen Fit-Methoden anbieten. Auf Basis von diesem Antrag soll ein auf maschinelles Lernen basierender Ansatz entwickelt und implementiert werden, der nicht nur die Vorhersage von Parametern vereinfacht, sondern auch Mehrdeutigkeiten in den Fit-Resultaten auflöst.

• DFG-Verfahren: Sachbeihilfen