基于卷积神经网络分析液晶斯格明子光学纹理图案

液晶以其光学双折射而闻名，这一特性使其在交叉偏振器下的显微镜中呈现出复杂的图案和色彩。生成的图像富含几何图案，是液晶内在特性的宝贵指纹。通过使用机器学习技术，可以从图像中提取关于液晶弹性常数、标量序参数、指向矢局部取向等信息。机器学习还可用于识别相变和分类不同的液晶相及拓扑缺陷。除了点缺陷或线向错等已得到充分研究的奇异缺陷外，液晶还可以承载非奇异的孤子缺陷，如斯格明子、霍普夫子（hopfions）和托龙（torons）。这些孤子具有局域且稳定的构型，为理解液晶的材料特性和行为提供了另一种视角。在本研究中，我们证明了斯格明子的光学特征可以有效地用于机器学习，以预测重要的系统参数。我们的方法特别关注斯格明子局域区域，显著降低了计算成本。通过在液晶斯格明子的模拟偏振光学显微镜图像上训练卷积神经网络，我们展示了训练后的网络能够准确预测多个选定参数，如自由能、胆甾相螺距和施加电场强度。本研究强调了局域拓扑阻挫序参量构型对于借助最先进数据科学方法进行材料表征研究的重要性，并可能为开发先进的基于斯格明子的应用铺平道路。