薄膜中形变依赖电导的深度学习：石墨烯中的纳米气泡
介观与纳米尺度物理
2022-09-09 v2 无序系统与神经网络
摘要
受深度学习技术性能不断提升的激励，我们设计了一种混合输入卷积神经网络方法，使用形变的高度图（来自扫描探针信息）作为输入，来预测变形纳米材料中的输运性质。我们采用该方法研究了石墨烯纳米带在多个随机位置纳米气泡作用下的电输运。我们的网络能够做出平均误差为 4.3% 的电导预测。我们证明，通过以高度冗余的方式包含能量等额外输入，可以实现如此低的平均误差，这使得预测比传统架构准确 30-40%。我们证明，相同的方法可以学习预测谷分辨电导，并成功识别谷间散射变得显著的能量。我们通过在形变数量和形状与训练数据不同的样本上测试预训练网络，证明了该方法的鲁棒性。我们对网络的结构和输出进行了图论分析，并得出结论：紧束缚哈密顿量被有效地编码在网络的第一层中。我们通过数值计算确认了训练后网络中不同跳跃过程的图论分析，发现结果准确，误差在 1% 以内。我们的方法为应用深度学习基于实空间无序信息确定输运性质提供了新的理论理解和改进的方法论。
引用
@article{arxiv.2108.01057,
title = {Deep learning of deformation-dependent conductance in thin films: nanobubbles in graphene},
author = {Jack G. Nedell and Jonah Spector and Adel Abbout and Michael Vogl and Gregory A. Fiete},
journal= {arXiv preprint arXiv:2108.01057},
year = {2022}
}
备注
15 pages, 12 figures