利用监督学习对石墨烯的扫描隧道显微镜图像进行去噪
材料科学
2022-11-22 v2
摘要
机器学习（ML）方法在摄影图像去噪方面取得了非凡的成功。然而，将此类去噪方法应用于科学图像，往往因实验上难以获得合适的预期结果作为训练 ML 网络的输入而变得复杂。在此，我们提出并演示了一种基于模拟的方法，以应对原子尺度扫描隧道显微镜（STM）图像去噪的这一挑战，该方法包括在基于紧束缚电子结构模型模拟的 STM 图像上训练卷积神经网络。作为模型材料，我们考虑了石墨及其单层和少层对应物——石墨烯。为了使其适用于在石墨系统上获得的任何实验 STM 图像，该网络在一组具有不同特征（如针尖高度、样品偏压、原子尺度缺陷和非线性背景）的模拟图像上进行了训练。将使用该方法对模拟和实验图像的去噪结果与常用滤波器进行比较，揭示了 ML 方法在去除噪声和扫描伪影（包括训练集中未模拟的特征）方面具有更优的效果。文中进一步讨论了向更大 STM 图像的扩展，以及由训练集偏差引起的、阻碍其应用于完全未知表面特征的内在局限性。此处演示的方法提供了一种有效途径，以从典型 STM 图像中去除噪声和伪影，为进一步的特征识别和自动化处理奠定了基础。
引用
@article{arxiv.2206.08951,
title = {Denoising Scanning Tunneling Microscopy Images of Graphene with Supervised Machine Learning},
author = {Frédéric Joucken and John L. Davenport and Zhehao Ge and Eberth A. Quezada-Lopez and Takashi Taniguchi and Kenji Watanabe and Jairo Velasco and Jérôme Lagoute and Robert A. Kaindl},
journal= {arXiv preprint arXiv:2206.08951},
year = {2022}
}
备注
Includes SM