189_2021.pdf 정밀 분석

---

Dimensionality Reduction and Unsupervised Clustering for EELS-SI — 정밀 분석

---

연구 배경 (Background)

EELS(Electron Energy-Loss Spectroscopy)는 재료의 화학 조성 및 전자 구조 분석에 강력한 도구이며, STEM과 결합한 STEM-EELS를 통해 원자 스케일의 하이퍼스펙트럼 이미지(EELS-SI) 획득이 가능해졌다. 에너지 분해능은 단색화기(monochromator) 발전에 힘입어 약 10 meV 수준까지 향상되었다.

기존 연구의 한계

기존 방법	한계
ZLP 제거, 배경 제거 등 수동 전처리	인간 편향(human bias) 개입 — 시험 함수나 에너지 윈도우 선택에 따라 결과 달라짐
PCA	직교성 제약(orthogonality constraint)으로 인해 로딩 벡터가 물리적으로 해석 불가; SNR 감소 시 편향 심화
ICA	소스 성분 추출은 가능하나 일관성 보장 어려움
NMF 단독 사용	순위(rank) R 사전 지정 필요; 다수의 로딩 벡터 존재 시 3D 이상 공간에서 시각화 불가
원시 스펙트럼 직접 클러스터링	전체 에너지 채널 간 거리 계산 → 계산 비용 극단적으로 증가; 특정 미세 구조 누락 가능
특정 에너지 채널만 선택 후 클러스터링	저차원 표현 과정에서 중요 미세 구조 손실 위험

특히 저 SNR 환경과 두께 효과(다중 산란), 그리고 플렉시톤(plexciton)처럼 플라즈몬-여기 간 결합 결과가 예측 불가한 경우에는 기존 DR 방법만으로 진정한 소스 성분(endmember) 추출이 근본적으로 어렵다는 점이 핵심 문제로 제기된다.

---

핵심 가설 또는 접근

"DR 공간에서 유사한 미세 구조를 가진 스펙트럼이 데이터 클러스터를 형성하므로, 적절한 DR 조합과 밀도 기반 클러스터링을 순차 적용하면 사전 지식 없이도 미세 구조를 분류할 수 있다."

저자가 채택한 전략은 3단계 파이프라인이다:

1. NMF → 고차원 스펙트럼을 저차원 선형 공간으로 투영, "part-based components" 추출
2. t-SNE → NMF 계수 공간을 2D/3D 비선형 시각화 공간으로 재투영하여 클러스터 분리 강화
3. OPTICS → 밀도 기반 비지도 클러스터링으로 실제 클러스터 경계 결정

이 접근의 핵심 아이디어는 로딩 벡터가 진정한 소스 성분이 아니더라도 EELS 데이터셋 내 내재적 관계를 충분히 반영한다는 점이며, 이 공간에서의 클러스터 구조가 물리적으로 의미 있는 미세 구조 그룹에 대응한다는 가설이다.

---

실험 방법 (Methodology — 정밀하게)

2.1 알고리즘 파이프라인

① NMF (Non-negative Matrix Factorization)

• EELS 데이터셋을 N×M 행렬 V로 표현 (N: 에너지 채널 수, M: 스캔 위치 수)
• 분해: V ≈ W × H (W: N×R 로딩 벡터 행렬, H: R×M 계수 행렬)
• 순위 R은 클러스터링을 위한 차원 축소가 목적이므로 엄밀하게 결정하지 않음 (유연한 설정)
• 비음수 제약(non-negativity constraint): V, W, H 모두 음수 원소 불허
• PCA 대비 장점: "part-based components" 추출, 가산 조합(additive combination)만 허용 → 클러스터링에 적합한 공간 생성

② t-SNE (t-distributed Stochastic Neighbor Embedding)

• NMF DR 공간의 데이터를 2D 또는 3D로 비선형 재투영
• 원리: 원본 공간의 확률 분포(가우시안 분포 가정) → 2D/3D 공간의 Heavy-tailed Student-t 분포로 변환 (Kullback-Leibler divergence 최소화)
• 효과: 인접 데이터 포인트는 DR 공간에서도 인접하게 유지하고, 원거리 데이터는 거리 보존 → 클러스터 시각적 분리 강화
• 저 SNR 및 심한 피크 오버랩으로 인한 클러스터 중첩 문제 해소에 활용

③ OPTICS (Ordering Points To Identify the Clustering Structure)

• DBSCAN의 파생 알고리즘으로 밀도 기반 비지도 클러스터링
• 각 데이터 포인트의 순서(order)와 도달가능 거리(reachability distance) 저장
  • 도달가능 거리: 데이터 포인트와 가장 가까운 포인트 또는 핵심 클러스터 포인트 간의 최소 거리
• Reachability plot (도달가능 거리를 순서에 따라 플롯) → 계층적 구조 기반 클러스터 분리
• DBSCAN 대비 장점: 서로 다른 밀도를 가진 클러스터도 유사하게 처리 가능
• 클러스터링 결과로부터 각 클러스터 내 모든 스펙트럼을 평균하여 대표 스펙트럼 추출

2.2 실험 데이터셋

본문에 명시된 두 가지 검증 데이터셋:

데이터셋	유형	분석 목적
금 나노입자(gold nanoparticles)	Low-loss EELS-SI	다양한 플라즈몬 여기 구분
비정질 탄소층(amorphous carbon layers)	Core-loss EELS-SI	미세 구조 차이 분류

---

주요 결과 (Key Results)

⚠️ 제공된 본문은 Introduction 및 Methods 섹션(앞 5–6페이지)에 한정되어 있어 정량적 결과 수치는 본문에 직접 기재되지 않았다. 아래는 제공된 범위 내에서 확인 가능한 내용이다.

• 에너지 분해능: 최신 TEM 단색화기 기준 약 10 meV — 격자 진동(lattice vibration) 관련 여기까지 관측 가능한 수준임을 명시
• 방법론적 성과 (정성적):
  • 금 나노입자 low-loss EELS-SI에서 다양한 플라즈몬 여기 및 밴드간 전이(inter-band transitions)를 포함한 여러 스펙트럼 그룹 구분 달성
  • 비정질 탄소층 core-loss EELS-SI에서 서로 다른 미세 구조를 가진 스펙트럼 그룹 분류 달성
  • 각 클러스터의 공간 분포(spatial distribution) 시각화를 통해 재료 내 서로 다른 미세 구조의 위치 파악 가능
  • 사전 지식(prior knowledge) 없이 — 즉 완전한 data-driven 방식으로 — 위 결과 달성
• 적용 범위: EDS(Energy-Dispersive X-ray Spectroscopy), 음극발광(cathodoluminescence) 등 모든 하이퍼스펙트럼 이미지에 적용 가능함을 주장

---

메커니즘 해석 (Mechanism / Interpretation)

데이터로 뒷받침된 부분

• NMF의 비음수 제약이 "part-based" 로딩 벡터를 생성하여 클러스터링에 적합한 공간을 만든다는 논리는 NMF의 수학적 특성에 근거함
• t-SNE가 KL divergence 최소화를 통해 Student-t 분포로 변환하는 과정에서 클러스터 간 분리가 강화된다는 것은 알고리즘의 수학적 보장에 해당
• OPTICS의 reachability plot 기반 계층적 클러스터 분리는 다양한 밀도의 클러스터 처리에 유리함이 알고리즘적으로 보장됨

추정으로 분류되는 부분

• NMF 로딩 벡터가 진정한 소스 성분은 아니더라도 "EELS 데이터셋 내 중요한 관계를 여전히 반영한다"는 주장 → 물리적 대응 관계는 추정, 데이터셋마다 다를 수 있음
• 플렉시톤 등 비선형 상호작용 결과를 클러스터링으로 의미 있게 분류할 수 있다는 암묵적 가정 → 결과에 따라 검증 필요 (추정)
• NMF 순위 R 선택이 클러스터링 품질에 미치는 영향에 대한 체계적 분석은 제공되지 않음 (추정)

---

한계 (Limitations)

본문에 명시된 한계

• NMF 수행 전 순위 R을 반드시 사전 지정해야 하며, 중요도 순서가 없어 적절한 R 결정이 비직관적
• 로딩 벡터 수가 4개 이상인 경우 시각화 가능한 공간(3D 이하)에서 데이터 분포 직접 관찰이 불가능 → t-SNE 추가 적용이 필수
• 저 SNR 환경 및 두께 효과(다중 산란)에서 클러스터가 중첩되어 분리가 어려울 수 있음

데이터에서 추론되는 한계 (추정)

• t-SNE는 perplexity 등 하이퍼파라미터에 민감하며, 파라미터 선택에 따라 클러스터 시각화 결과가 달라질 수 있음 — 본문에서 파라미터 최적화 기준이 명확히 제시되지 않음
• OPTICS의 클러스터 경계 결정 역시 ε(epsilon), minPts 등 파라미터에 의존하며, 이에 대한 민감도 분석이 본 범위에서 확인되지 않음
• 방법의 검증이 금 나노입자와 비정질 탄소라는 두 가지 시스템에 한정 → 일반화 가능성 직접 검증 범위 제한적

---

의의 및 후속 연구 방향

학술적 의의

• 완전 비지도(unsupervised), data-driven 분석 파이프라인을 EELS-SI에 체계적으로 제시한 점에서 방법론적 기여가 크다
• 기존 PCA/ICA/NMF 단독 사용의 한계였던 물리적 해석 불가 및 저 SNR 취약성을 알고리즘 조합으로 보완하는 새로운 프레임워크 제시
• EDS, CL 등 모든 하이퍼스펙트럼 이미지에 적용 가능한 범용 분석 도구로의 확장성 명시

후속 연구 방향

• NMF 순위 R 자동 최적화 방법론 개발
• t-SNE 대신 UMAP(Uniform Manifold Approximation and Projection) 등 최신 비선형 DR 방법과의 비교 연구
• 원자 분해능 EELS-SI에서의 결함(defect), 도핑(doping) 분포 분석에의 직접 적용
• 딥러닝 기반 자동 클러스터 수 결정 방법과의 통합 가능성
• 4D-STEM 등 다른 하이퍼스펙트럼 전자현미경 데이터로의 확장

---

변지현 관점 메모 (선택)

본 논문의 NMF → t-SNE → OPTICS 파이프라인은 CO₂ 환원 반응 촉매의 STEM-EELS 분석 시 반응 전후 촉매 표면의 화학 상태 변화(예: 금속-산화물 계면, 탄소종 분포)를 사전 지식 없이 클러스터링하는 데 직접 응용 가능하다. 또한 lab brain 구축 관점에서, 이 방법은 대용량 EELS-SI 데이터의 표준 전처리-분석 워크플로우로 채택하여 다양한 촉매 시스템 데이터에 재현 가능한 분석 기준을 제공할 수 있다.