基于迁移学习的过渡金属硫化物多材料分类——基于原子力显微镜
材料科学
2024-12-12 v2 计算物理
摘要
深度学习模型在基于原子力显微镜（AFM）及其他扫描探针显微镜的数据驱动材料设计中广泛应用。这些工具提高了材料逆向设计和表征的效率。然而，可获得的有限且不平衡的实验材料数据通常是主要挑战。此外，解释已训练模型也至关重要，这些模型通常复杂到无法被人类解释。本文系统评估了迁移学习策略，以适应材料合成中的低数据场景，并对模型潜在特征进行分析，以建立与样本人类可解释特征之间的联系。我们的模型在过渡金属硫化物（TMDs）五类（MoS、WS、WSe、MoSe和Mo-WSe）中实现了最高达89%的准确率。潜在特征分析揭示了与晶粒密度、DoG斑点和局部变化等物理特征之间的相关性。迁移学习优化模式以及潜在特征与物理特征之间关联性的探索为应用于TMDs之外的其他材料类别提供了重要框架，从而提高模型性能和可解释性，可加速技术应用领域的材料逆向设计。
引用
@article{arxiv.2407.20975,
title = {Transfer Learning for Multi-material Classification of Transition Metal Dichalcogenides with Atomic Force Microscopy},
author = {Isaiah A. Moses and Wesley F. Reinhart},
journal= {arXiv preprint arXiv:2407.20975},
year = {2024}
}
备注
37 pages, 9 figures, 5 tables