用于扭转双层石墨烯分类的数据聚类分析与机器学习
材料科学
2022-10-07 v1 介观与纳米尺度物理
数据分析、统计与概率
摘要
扭转双层石墨烯（TBLG）已成为一种令人振奋的新材料，具有从超导到关联绝缘相的可调电子特性。但当前 TBLG 的制备与识别方法繁琐费力。在本工作中，我们将拉曼光谱与高斯混合模型（GMM）数据聚类算法相结合，从具有混合取向的 TBLG 样品中识别具有特定扭转角的区域。我们提出了两种聚类分析方法：在峰拟合返回的拉曼参数上训练 GMM，以及在经主成分分析降维的完整拉曼光谱上训练 GMM。在这两种情况下，我们都证明了 GMM 能够从拉曼数据立方体中识别出不同扭转角的区域。我们还表明，一旦模型被训练且识别出的聚类被标记，该模型可重新应用于新的拉曼扫描，以评估新区域中材料与测试区域之间的相似性。这可以通过允许从自动化大面积扫描中计算机化检测特定扭转角，来实现 TBLG 的高通量制备。
引用
@article{arxiv.2107.08919,
title = {Data cluster analysis and machine learning for classification of twisted bilayer graphene},
author = {Tom Vincent and Kenji Kawahara and Vladimir Antonov and Hiroki Ago and Olga Kazakova},
journal= {arXiv preprint arXiv:2107.08919},
year = {2022}
}