用于改进时分辨电力学扫描探针测量数据参数提取的多输出卷积神经网络

时分辨扫描探针测量方法，如时分辨电力学扫描探针显微镜（trEFM），可实现从电池中离子运动到太阳能电池中微结构薄膜半导体器件的电子动力学成像。从这些技术中重建潜在的物理动力学常具有挑战性，因为铝箔物理与感兴趣的瞬态动力学在信号中存在相互作用。以往的定量 trEFM 方法使用铝箔的经验校准或基于模拟数据训练的前馈神经网络来提取感兴趣的物理动力学。这两种方法都受限于将信号解释为单一单指数函数，这只是近似，但不充分反映许多现实系统的表现。本文提出了一个多分支、多输出卷积神经网络（CNN），该网络以 trEFM 信号以及物理铝箔参数作为输入。训练后的 CNN 能准确提取描述单指数和双指数潜在函数的参数，并在噪声存在下更准确地重建真实实验数据。本工作证明了物理信息驱动的机器学习在复杂信号处理任务中的应用，使 trEFM 的分析更高效、更准确。