利用可解释无监督机器学习处理现代 X 射线衍射的大数据
强关联电子
2022-07-06 v4 无序系统与神经网络
摘要
当考虑集体电子行为及其涨落时，晶体材料的信息量变得天文数字般庞大。在过去十年中，现代 X 射线设施中光源亮度和探测器技术的改进使得其中更大比例的信息得以被捕获。如今，主要挑战在于当全面分析超出人类能力范围时，从大数据集中理解并发现科学原理。我们报告了一种新颖的无监督机器学习方法——XRD 温度聚类（X-TEC）的开发，它可自动从在多个温度下拍摄的一系列大通量 X 射线衍射（XRD）测量中提取电荷密度波（CDW）序参量，并检测单胞内（IUC）有序及其涨落。我们将 X-TEC 应用于准-skutterudite 材料族 (CaSr)RhSn 的 XRD 数据，其中观察到由电荷序随 Ca 浓度变化而产生的量子临界点。我们进一步将 X-TEC 应用于烧绿石金属 CdReO 的 XRD 数据，以研究其两个备受争议的结构相变并揭示伴随它们的 Goldstone 模。我们展示了当人类研究者将 X-TEC 结果与物理原理相联系时，如何获得前所未有的原子尺度知识。具体而言，我们从 X-TEC 揭示的选择定则中提取出 Cd 和 Re 位移振幅近似相等但相位相反。这一发现揭示了先前未知的 Re 的参与，支持了结构序具有电子起源的观点。我们的方法可通过实现运行中数据分析和使研究者通过即时发现相空间中有趣区域来优化实验，从而根本性地变革 XRD 实验。
引用
@article{arxiv.2008.03275,
title = {Harnessing Interpretable and Unsupervised Machine Learning to Address Big Data from Modern X-ray Diffraction},
author = {Jordan Venderley and Michael Matty and Krishnanand Mallayya and Matthew Krogstad and Jacob Ruff and Geoff Pleiss and Varsha Kishore and David Mandrus and Daniel Phelan and Lekhanath Poudel and Andrew Gordon Wilson and Kilian Weinberger and Puspa Upreti and Michael R. Norman and Stephan Rosenkranz and Ray Osborn and Eun-Ah Kim},
journal= {arXiv preprint arXiv:2008.03275},
year = {2022}
}