通过多维电子散射的旋转不变机器学习探测原子尺度对称性破缺
计算物理
2020-09-24 v1 无序系统与神经网络
摘要
4D扫描透射电子显微镜（STEM）方法已实现固体结构与功能的原子尺度成像，产生信息丰富的数据集，包含原子间电场与磁场、结构与电子序参量以及其他对称性破缺畸变的信息。在利用4D-STEM进行材料探索的道路上的一个关键瓶颈是缺乏能将复杂4D-STEM数据集化简为物理相关描述符的分析工具。经典机器学习（ML）方法如主成分分析和其他线性解混技术受限于多个点群对称变体的存在，其中每个旋转等价位置的衍射图会形成其自身的分量。这一限制甚至对更复杂的ML方法（如卷积神经网络）也成立。此处，我们提出并实现了一种利用旋转不变变分自编码器（rrVAE）从4D-STEM数据集系统探索对称性破缺现象的方法，其设计用于将物体的整体旋转与其他潜表示解耦。我们讨论了纯旋转rrVAE的实现，以及其对石墨烯和闪锌矿结构模拟数据的应用，说明了位点对称性破缺的效应。最后，展示了rrVAE对石墨烯中空位4D-STEM数据的分析，并与经典质心（COM）分析进行比较。该方法对于探测复杂系统中的对称性破缺现象具有普适性，可应用于探索系统二维衍射空间的广泛衍射方法，包括X射线叠层成像、电子背散射衍射（EBSD）及更复杂的方法。
引用
@article{arxiv.2009.10758,
title = {Probing atomic-scale symmetry breaking by rotationally invariant machine learning of multidimensional electron scattering},
author = {Mark P. Oxley and Maxim Ziatdinov and Ondrej Dyck and Andrew R. Lupini and Rama Vasudevan and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2009.10758},
year = {2020}
}