通过机器学习增强的电子能量损失谱分离复杂红外等离激元纳米结构中的物理可区分机制
材料科学
2021-08-06 v1 无序系统与神经网络
图像与视频处理
摘要
低能损电子能量损失谱(EELS)已成为在纳米尺度探索等离激元现象局域化的首选技术，需要从三维光谱数据集中分析物理行为。对于具有高局域化的系统，线性解混方法为探索性分析提供了极好的基础，而在更复杂的系统中，需要大量组分来准确捕捉真实的等离激元响应，且组分的物理可解释性变得不确定。在此，我们探索了对掺杂半导体纳米颗粒异质自组装单层膜(支持红外共振)的低能损 EELS 数据的基于机器学习的分析。我们提出了一种对 EELS 数据集进行监督分析的路径，可分离并分类具有物理可区分光谱响应的膜区域。所得到的分类被证明是稳健的，能准确捕捉复杂纳米结构的共同时空光谱特征，并且可在不同数据集间迁移以实现样品大区域的高通量分析。因此，它可用作基于贝叶斯优化的自动化实验工作流的基础，如在对非原位数据的演示所示。我们进一步展示了非线性自编码器(AE)与 AE 潜空间中的聚类相结合，能产生系统响应的高度压缩表示，从而给出不依赖于操作员输入与偏见的有关相关物理的洞见。这些监督与无监督工具的结合提供了对纳米尺度等离激元现象的互补洞见。
引用
@article{arxiv.2009.08501,
title = {Separating physically distinct mechanisms in complex infrared plasmonic nanostructures via machine learning enhanced electron energy loss spectroscopy},
author = {Sergei V. Kalinin and Kevin M. Roccapriore and Shin Hum Cho and Delia J. Milliron and Rama Vasudevan and Maxim Ziatdinov and Jordan A. Hachtel},
journal= {arXiv preprint arXiv:2009.08501},
year = {2021}
}