[论文解读] XAFS spectroscopy. I. Extracting the fine structure from the absorption spectra

K. V. Klementev|arXiv (Cornell University)|Mar 28, 2000

X-ray Spectroscopy and Fluorescence Analysis被引用 376

一句话总结

本文提出了三种稳健的方法——带先验信息的样条平滑、可变节点插值样条和贝叶斯平滑——用于从X射线吸收谱中提取XAFS精细结构。提出了一种新的平滑参数选择准则，并表明背景近似误差而非实验噪声是结构参数拟合不确定性的主要来源。

ABSTRACT

Three independent techniques are used to separate fine structure from the absorption spectra, the background function in which is approximated by (i) smoothing spline. We propose a new reliable criterion for determination of smoothing parameter and the method for raising of stability with respect to k_min variation; (ii) interpolation spline with the varied knots; (iii) the line obtained from bayesian smoothing. This methods considers various prior information and includes a natural way to determine the errors of XAFS extraction. Particular attention has been given to the estimation of uncertainties in XAFS data. Experimental noise is shown to be essentially smaller than the errors of the background approximation, and it is the latter that determines the variances of structural parameters in subsequent fitting.

研究动机与目标

• 为通过改进背景函数近似，可靠地从噪声吸收谱中提取XAFS精细结构，解决该挑战。
• 减少因最小能量（$k_{\rm min}$）和边能量（$E_0$）微小变化引起的XAFS提取不稳定性。
• 为基于样条的背景拟合中的平滑参数（$\alpha$）开发可靠的选取准则。
• 通过引入先验知识（如$\mu_0$的预期形状）增强背景函数的稳定性和准确性。
• 估计XAFS数据中的不确定性，特别是区分实验噪声与背景近似误差的贡献。

提出的方法

• 使用带正则化泛函的样条平滑，最小化$\mu_0$的二阶导数，同时平衡对数据的拟合度，并采用新准则确定最优$\alpha$。
• 引入表示预期原子吸收特性的先验函数$p(E)$，并将样条泛函修改为惩罚对$p''(E)$的偏离，而非零值。
• 对二阶导数采用有限差分近似，将问题转化为在$\tilde{\mu}_0 = \mu_0 - p$上最小化修改后的泛函。
• 采用贝叶斯平滑方法，对背景的二阶导数施加先验，并通过边缘化估计误差方差。
• 通过修改二次型$\Omega({\bf t})$以强制满足边界条件（如已知$E_0$处的值），引入硬约束。
• 通过将测量过程建模为与响应函数$r_{ij}$的卷积，将方法扩展至去卷积，相应地更新似然和后验分布。

实验结果

研究问题

• RQ1 如何可靠地确定基于样条的背景拟合中的平滑参数$\alpha$，以避免过拟合或过度平滑？
• RQ2 对$ k_{\rm min} $ 或 $ E_0 $ 的微小变化对XAFS提取有何影响，如何提升稳定性？
• RQ3 对背景形状（$p(E)$）的先验知识如何提升$\mu_0$提取的准确性和稳定性？
• RQ4 实验噪声与背景近似误差在结构参数不确定性中的相对贡献是什么？
• RQ5 贝叶斯平滑能否提供一个自然的框架，用于估计XAFS提取中的误差，并内置不确定性量化？

主要发现

• XAFS数据中的实验噪声显著小于背景近似引入的误差，后者是结构精修中不确定性的主要来源。
• 所提出的平滑参数$\alpha$选择准则提高了不同数据集上背景提取的可靠性和一致性。
• 引入能模拟$\mu_0$预期形状的先验函数$p(E)$极大增强了稳定性，尤其在吸收边附近$\mu$快速增加的区域。
• 贝叶斯平滑方法自然地整合了先验信息，并提供了一种系统化估计提取的XAFS函数中误差方差的方法。
• 该方法成功降低了对$k_{\rm min}$变化的敏感性，这是标准XAFS分析中已知的不稳定性来源。
• 文中描述的所有方法均已集成于免费软件程序Viper中，支持交互式参数调节和结果的实时可视化。