利用人工智能在 STM/STS 数据中探测向列序
无序系统与神经网络
2020-06-18 v3
摘要
在扫描隧道显微镜与谱学（STM/STS）数据中探测微妙却定义相的特征仍是量子材料中的重要挑战。我们以应对从局域态密度数据中探测向列序的挑战，采用监督机器学习与人工神经网络，针对傅里叶变换谱中无可见晶格布拉格峰或 Friedel 振荡特征等尖锐特征的困难情形。我们训练人工神经网络对存在无序的各向同性与各向异性二维金属的模拟数据进行分类。监督机器学习仅在 ANN 架构中至少有一个隐藏层时才成功，表明其复杂度高于从布拉格峰探测向列序（仅需两个神经元）。我们将最终化的 ANN 应用于 CaFe2As2 的实验 STM 数据，其以 99% 置信度（概率 0.99）预测向列对称性破缺，与先前分析一致。我们的结果表明 ANN 可成为 STM 数据中向列序及其他多种对称性破缺探测的有用工具。
引用
@article{arxiv.1901.11042,
title = {Detecting Nematic Order in STM/STS Data with Artificial Intelligence},
author = {Jeremy B. Goetz and Yi Zhang and Michael J. Lawler},
journal= {arXiv preprint arXiv:1901.11042},
year = {2020}
}
备注
10 pages, 9 figures