机器学习识别扫描隧道显微镜图像中的杂质

在这项工作中，我们训练了一个神经网络来识别通过扫描隧道显微镜测量获得的实验图像中的杂质。该神经网络首先用大量模拟数据进行训练，然后将训练好的神经网络应用于识别一组在不同电压下拍摄的实验图像。我们使用卷积神经网络从图像中提取特征，并实现了注意力机制以捕捉不同电压下拍摄图像之间的关联。我们注意到，模拟数据可以捕捉普遍的 Friedel 振荡，但无法恰当描述杂质附近非普遍的短程物理以及实验数据中的噪声。我们强调，该方法的关键在于妥善处理模拟数据与实验数据之间的这些差异。此处我们表明，即使在模拟数据中加入不相关的白噪声，神经网络在实验数据上的表现也能显著提升。为防止神经网络学习非物理的短程物理，我们还开发了另一种方法来评估神经网络在实验数据上预测的可信度，并将该可信度度量加入损失函数。我们表明，加入这样一个额外的损失函数也能改善在实验数据上的表现。我们的研究可启发未来机器学习在实验数据分析中的类似应用。