基于机器学习从泵浦-探测热反射信号重构深度相关热导率剖面
应用物理
2023-04-07 v2 材料科学
摘要
表征具有空间变化热导率的材料对于揭示广泛功能材料（如化学气相沉积金刚石、离子辐照材料、辐照下核材料以及电池电极材料）的结构-性能关系具有重要意义。尽管基于时域/频域热反射（TDTR/FDTR）的热导率显微镜的发展实现了热导率剖面的面内扫描，测量深度相关热导率仍具挑战性。本工作提出一种基于机器学习的重构方法，用于直接从频域相位信号中提取深度相关热导率K(z)。我们证明简单的监督学习算法核岭回归（KRR）能够重构K(z)而无需关于剖面函数形式的先验知识。该重构方法不仅能准确复现典型的K(z)分布（如预假设的化学气相沉积（CVD）金刚石指数剖面和离子辐照材料高斯剖面），也能复现通过叠加高斯、指数、多项式和对数函数人为构造的复杂剖面。除FDTR外，该方法在从TDTR信号重构离子辐照半导体K(z)方面也表现出优异性能。本工作表明，将机器学习与泵浦-探测热反射相结合是深度相关热物性映射的有效途径。
引用
@article{arxiv.2212.05175,
title = {Machine learning reconstruction of depth-dependent thermal conductivity profile from pump-probe thermoreflectance signals},
author = {Zeyu Xiang and Yu Pang and Xin Qian and Ronggui Yang},
journal= {arXiv preprint arXiv:2212.05175},
year = {2023}
}