基于多类神经网络集成的扫描探针状态识别
机器学习
2020-08-31 v1 介观与纳米尺度物理
计算物理
数据分析、统计与概率
摘要
扫描探针显微镜面临的最大障碍之一是需要不断原位修正扫描探针的缺陷。目前这是一个耗时的手动过程，若实现自动化将大有裨益。本文提出一种卷积神经网络协议，可自动识别金属与非金属表面上多种理想及非理想的扫描探针针尖状态。通过将性能最佳的模型组合为多数投票集成，我们发现 H:Si(100) 的理想状态可被区分，平均精确率为 0.89，平均受试者工作特征曲线下面积为 0.95。更一般地，高质量与低质量针尖可被区分，平均精确率为 0.96，曲线下面积近乎完美的 0.98。经简单修改，我们还成功自动识别了 Au(111) 与 Cu(111) 表面上非表面特异性的不良状态。在这两种情况下，平均精确率分别为 0.95 和 0.75，曲线下面积分别为 0.98 和 0.94。
引用
@article{arxiv.1903.09101,
title = {Scanning Probe State Recognition With Multi-Class Neural Network Ensembles},
author = {O. Gordon and P. D'Hondt and L. Knijff and S. Freeney and F. Junqueira and P. Moriarty and I. Swart},
journal= {arXiv preprint arXiv:1903.09101},
year = {2020}
}
备注
Initial submission to APL