极化激元波图像的深度学习分析
材料科学
2024-07-11 v2 数据分析、统计与概率
光学
摘要
深度学习（DL）是科学与工程领域新兴的分析工具。受 DL 在海量成像数据中揭示定量趋势方面成功的鼓舞，我们将该方法应用于复杂材料中传播极化激元波的纳米尺度深亚衍射图像。我们开发了一种实用的图像快速回归协议，利用卷积神经网络（CNN）量化极化激元波的波长和品质因子。使用模拟近场图像作为训练数据，CNN 可同时提取极化激元特征与材料参数，其时间尺度比常见拟合/处理流程至少快三个数量级。通过考察石墨烯/{\alpha}-RuCl3 界面处电荷转移等离激元极化激元的实验近场图像，验证了基于 CNN 的分析。我们的工作为从多种扫描探针方法生成的图像中提取定量信息提供了通用框架。
引用
@article{arxiv.2108.07222,
title = {Deep learning analysis of polaritonic waves images},
author = {Suheng Xu and Alexander S. McLeod and Xinzhong Chen and Daniel J. Rizzo and Bjarke S. Jessen and Ziheng Yao and Zhiyuan Sun and Sara Shabani and Abhay N. Pasupathy and Andrew J. Millis and Cory R. Dean and James C. Hone and Mengkun Liu and D. N. Basov},
journal= {arXiv preprint arXiv:2108.07222},
year = {2024}
}