利用机器学习绘制电子能量损失谱中的低损失区
材料科学
2020-09-14 v1 高能物理 - 唯象学
摘要
利用电子能量损失谱(EELS)提供的信息需要可靠地获取低损失区，在该区域零损失峰(ZLP)常常掩盖了与样品非弹性散射相关的贡献。这里我们采用粒子物理学中开发的机器学习技术，实现对ZLP的模型无关、多维确定，并带有可靠的误差估计。然后将这种新方法应用于在具有2H/3R混合多型性的花状WS2纳米结构上采集的EEL谱的ZLP扣除。从得到的扣除谱中，我们确定了多型WS2的带隙性质和数值，发现E_BG = 1.6_{-0.2}^{+0.3} eV，且明确倾向于间接带隙。此外，我们展示了该方法如何使我们能够稳健地识别低至非常小能量损失的激子跃迁。我们的方法已在名为EELSfitter的开源Python包中实现并公开。
引用
@article{arxiv.2009.05050,
title = {Charting the low-loss region in Electron Energy Loss Spectroscopy with machine learning},
author = {Laurien I. Roest and Sabrya E. van Heijst and Louis Maduro and Juan Rojo and Sonia Conesa-Boj},
journal= {arXiv preprint arXiv:2009.05050},
year = {2020}
}
备注
37 pages, 14 figures. The EELSfitter code is available from https://github.com/LHCfitNikhef/EELSfitter