基于密度泛函理论与深度学习的扫描隧道显微镜数据分析加速
材料科学
2019-12-20 v1
摘要
我们介绍了首个使用密度泛函理论（DFT）针对二维（2D）材料通过Tersoff-Hamann方法计算得到的扫描隧道显微镜（STM）图像系统数据库。它目前包含716种可剥离2D材料的数据。讨论了2D材料五种可能的Bravais晶格类型及其傅里叶变换的示例。本工作中生成的所有计算STM图像将在JARVIS-DFT网站（https://www.ctcms.nist.gov/~knc6/JVASP.html）上提供。我们发现所选材料的计算与实验STM图像之间存在极好的定性一致。作为该数据库的第一个示例应用，我们训练了一个卷积神经网络（CNN）模型以从STM图像中识别Bravais晶格。我们相信该模型可以辅助高通量实验数据分析。这些计算STM图像可直接辅助实验STM图像中相的识别、缺陷和晶格畸变的分析，以及被纳入自主实验工作流中。
引用
@article{arxiv.1912.09027,
title = {Density Functional Theory and Deep-learning to Accelerate Data Analytics in Scanning Tunneling Microscopy},
author = {Kamal Choudhary and Kevin F. Garrity and Charles Camp and Sergei V. Kalinin and Rama Vasudevan and Maxim Ziatdinov and Francesca Tavazza},
journal= {arXiv preprint arXiv:1912.09027},
year = {2019}
}