Using Autoencoder for Compression, Denoising, and Clustering of GISAXS Simulations Images for Au-Cluster Physics

Abstract

Diese Arbeit untersucht die Anwendung von Autoencodern (AE) zur Komprimierung, Rauschunterdrückung und Clusterung von Simulationsbildern der Kleinwinkelröntgenstreuung unter streifendem Einfall (GISAXS) im Zusammenhang mit der Selbstorganisation von Gold-(Au)-Nanoclustern auf Siliziumoberflächen. Die Forschung befasst sich mit den Herausforderungen, die sich aus den enormen Datenmengen ergeben, die bei GISAXS-Experimenten erzeugt werden, was direkte analytische Ansätze aufgrund des inversen mathematischen Problems von GISAXS erschwert. Durch den Einsatz von Autoencodern zielt die Studie darauf ab, die Effizienz der Datenanalyse in diesem Bereich zu verbessern, wobei der Schwerpunkt auf drei Hauptbereichen liegt: Reduzierung des Speicherbedarfs durch Bildkomprimierung, Verbesserung der Bildqualität durch Entfernen von Rauschen und Rekonstruieren von Lücken in den Daten sowie Erleichterung der Klassifizierung durch Generierung aussagekräftiger Cluster im latenten Raum. Die Leistung der vorgeschlagenen Methoden wird anhand von Simulationsdatensätzen bewertet, und die Ergebnisse zeigen das Potenzial von Autoencodern, einen wesentlichen Beitrag zur Verarbeitung und Analyse von GISAXS-Daten in Bezug auf Komprimierung und Rauschunterdrückung, jedoch nicht in Bezug auf Clusterung, zu leisten und so Fortschritte in der Au-Cluster Physik zu unterstützen.

This thesis explores the application of autoencoders (AE) for the compression, denoising, and clustering of Grazing Incidence Small-Angle X-ray Scattering (GISAXS) simulation images related to the self-organization of gold (Au) nanoclusters on silicon surfaces. The research addresses the challenges posed by the vast data produced in GISAXS experiments, which complicates direct analytical approaches due to the inverse mathematical problem of GISAXS. By employing autoencoders, the study aims to enhance the efficiency of data analysis in this domain, focusing on three main areas: reducing the storage needs through image compression, improving image quality by removing noise and reconstructing gaps in the data, and facilitating classification by generating meaningful clusters in the latent space. The performance of the proposed methods is evaluated on simulation datasets, and the results demonstrate the potential of autoencoders to contribute significantly to the processing and analysis of GISAXS data regarding compression and denoising, but not clustering, thereby supporting advancements in Au-Cluster Physics.