机器学习辅助的迷宫状图样转变表征

我们提出了一种表征迷宫状结构的综合方法,此类结构常作为图样形成系统的最终稳态出现。我们采用基于先进机器学习的模式识别技术来识别局域条带有序的拓扑缺陷的类型与位置。将该方法应用于单晶铋取代钇铁石榴石薄膜,我们揭示了两种零场迷宫状结构之间明显的形态转变。关键在于,拓扑缺陷的配对分布函数揭示了常规表征方法无法分辨的迷宫状结构间的细微差异。通过系统分析这些缺陷的空间关联与几何性质,我们为支配所观测形态转变的无效热动力学提供了新见解。我们的工作表明,基于机器学习的识别技术能够实现对许多图样形成系统普适的丰富而复杂的迷宫状类型结构的新研究。