测试异常检测算法以识别原子探针断层扫描中的早期溶质团簇
材料科学
2025-09-05 v1
摘要
原子探针断层扫描通常用于研究材料中的溶质团簇和析出。然而，标准技术（例如带有噪声的基于密度的空间聚类应用（DBSCAN））在处理少于 25 个原子的小团簇时表现不佳。这是基于密度的聚类技术由于使用 Nmin（对团簇大小施加的任意下限）而产生的根本限制。因此，本文尝试将原子探针聚类视为一个异常检测问题，其中 KNN、LOF、LUNAR 算法针对一系列团簇大小在模拟数据集上进行了测试，并与标准方法进行了比较。然后，算法输出的决策分数通过 Karcher 均值进行自动阈值处理，以消除人为偏差。对于少于 25 个原子的团簇大小，测试的每个主要模型均优于 DBSCAN，但对于大于 30 个原子的团簇大小则表现不佳。然而，所提出的新的 kNN 与 DBSCAN 组合方法能够在所有团簇大小下表现良好。所提出的 kNN 与 DBSCAN 组合方法被作为识别原子探针断层扫描中溶质团簇的一种可能的新标准方法。
引用
@article{arxiv.2402.13734,
title = {Testing Outlier Detection Algorithms for Identifying Early-Stage Solute Clusters in Atom Probe Tomography},
author = {R S. Stroud and A. Al-Saffar and M. Carter and M P. Moody and S. Pedrazzini and M R. Wenman},
journal= {arXiv preprint arXiv:2402.13734},
year = {2025}
}