从 4D STEM 数据深度学习界面结构：阳离子混合与粗糙化
介观与纳米尺度物理
2020-02-24 v1 计算物理
数据分析、统计与概率
摘要
复杂氧化物中的界面结构仍是凝聚态物理研究的热点领域之一，这在很大程度上得益于扫描透射电子显微镜（STEM）近期的进展。然而，STEM 衬度的本质是将结构沿给定方向投影，这妨碍了可能结构模型的分离。在此，我们利用在模拟的 4D 扫描透射电子显微镜（STEM）数据集上训练的深度卷积神经网络（DCNN）来预测界面的结构描述符。我们聚焦于广泛研究的 LaAlO3 与 SrTiO3 之间的界面，使用动力学衍射理论并借助高性能计算模拟数千个可能的 4D STEM 数据集，以训练 DCNN 学习作为模拟基础的底层结构属性。我们在模拟数据上验证了 DCNN，并表明有可能（准确率 >95%）从化学扩散界面中识别物理粗糙界面，并在确定界面内埋藏台阶位置时达到 85% 的准确率。此处展示的方法是通用的，可应用于任何存在前向模型的逆成像问题。
引用
@article{arxiv.2002.09039,
title = {Deep learning of interface structures from the 4D STEM data: cation intermixing vs. roughening},
author = {Mark P. Oxley and Junqi Yin and Nikolay Borodinov and Suhas Somnath and Maxim Ziatdinov and Andrew R. Lupini and Stephen Jesse and Rama K. Vasudevan and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2002.09039},
year = {2020}
}
备注
18 pages, 4 figures