从原子级分辨成像数据中进行贝叶斯学习的吸附原子相互作用
材料科学
2020-12-24 v1 统计力学
计算物理
摘要
表面的原子结构和吸附原子几何编码了导致其形成的过程的热力学和动力学信息，这些信息可被生成式物理模型所捕获。在此，我们开发了一种基于扫描隧道显微镜图像的机器学习分析来重建原子和吸附原子位置的工作流，以及一种贝叶斯优化程序，以最小化所选物理模型与实验观测之间的统计距离。我们优化了一个描述表面有序化的 2 参数和 3 参数 Ising 模型的参数，并使用导出的生成式模型在参数空间中进行预测。对于浓度依赖性，我们将不同吸附原子浓度下预测的形貌与样品表面上偶然具有不同吸附原子浓度的相异区域进行比较。所提出的工作流是通用的，可用于从材料微观结构的实验观测中重建热力学模型及相关的不确定性。文稿中使用的代码可在 https://github.com/saimani5/Adatom_interactions 获取。
引用
@article{arxiv.2012.12463,
title = {Bayesian learning of adatom interactions from atomically-resolved imaging data},
author = {Mani Valleti and Qiang Zou and Rui Xue and Lukas Vlcek and Maxim Ziatdinov and Rama Vasudevan and Mingming Fu and Jiaqiang Yan and David Mandrus and Zheng Gai and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2012.12463},
year = {2020}
}