基于隧穿谱相似性学习的无序结构原子尺度分析
超导电性
2024-04-23 v1
摘要
扫描探针显微镜中高光谱成像的迅速普及为系统性捕获与归类高维数据集创造了独特机遇，从而对新纳米及原子尺度分辨率的电子、机械与化学性质获得新见解。在此，我们展示了针对具有稀疏缺陷密度（Fe 空位）的超导材料（FeSe）所获取的隧穿谱的相似性学习。用于数据无监督学习与以特征行为簇进行离散表示的常用方法，在捕获空位位点位置与隧穿特征方面被发现存在不一致。为此，我们应用了一种更通用的非线性相似性学习。该方法优于几种广泛使用的降维方法，并清晰区分了隧穿谱的类型。特别地，很可能由空位位点电子重构引起的显著谱权重转移，以及空位区域的空间范围，均被系统性捕获。鉴于多种电子材料因其结构中的随机或工程非均匀性而将呈现类似的谱响应平滑变化，我们相信我们的方法将有益于以最小先验知识系统性分析高光谱成像，以及实验测量与显式考虑无序的理论计算之间的前瞻性比较。
引用
@article{arxiv.2106.13691,
title = {Atomic-scale analysis of disorder by similarity learning from tunneling spectroscopy},
author = {Petro Maksymovych and Jiaqiang Yan and Brian Sales and Jun Wang},
journal= {arXiv preprint arXiv:2106.13691},
year = {2024}
}