基于仿真的机器学习在 ARPES 应用中的训练框架
材料科学
2025-08-25 v1 机器学习
计算物理
摘要
近年来，角谱光子能谱 (ARPES) 在探测更多可观测量和生成多维数据集方面取得了显著进展。这些进展带来了数据获取、处理和分析的新挑战。机器学习 (ML) 模型可以大幅减少实验员的工作负担；然而，缺乏用于训练 ML -- 特别是深度学习 -- 的训练数据是一个重大障碍。本文引入一个开源的人工 ARPES 谱仪模拟器 - aurelia - 用于生成训练 ML 模型所需的大规模数据集。作为演示，我们训练了一个卷积神经网络来评估 ARPES 谱的质量 -- 这一在实验初始样品对准阶段进行的关键任务。我们将 simulation 训练的模型与实际实验数据进行基准测试，发现其比人类分析更准确地评估谱的质量，并能迅速高精度地识别最佳测量区域。因此，我们确立了模拟的 ARPES 谱可以是训练 ML 模型的有效替代品。
引用
@article{arxiv.2508.15983,
title = {A simulation-based training framework for machine-learning applications in ARPES},
author = {MengXing Na and Chris Zhou and Sydney K. Y. Dufresne and Matteo Michiardi and Andrea Damascelli},
journal= {arXiv preprint arXiv:2508.15983},
year = {2025}
}
备注
9 pages, 6 figures