单分子断裂结数据中的无监督特征识别
介观与纳米尺度物理
2020-06-04 v1
摘要
单分子断裂结测量产生大量的电导随电极间距变化的轨迹。在此类测量中，目标分子可能以不同几何构型结合到电极上，且单分子结的演化和断裂也可能遵循不同的轨迹。厘清各种典型轨迹类别是正确物理诠释数据的先决条件。在此，我们利用神经网络的高效特征识别特性来自动发现相关轨迹类别。为消除对人工标注训练数据的需求，我们采用一种组合方法：根据主成分投影或某些辅助测量量的极值自动选取训练轨迹，随后网络捕捉这些特征轨迹的特征，并将其推断推广至整个数据集。简单神经网络结构的使用也使我们能直接洞察其决策机制。我们证明，该组合机器学习方法在低温和室温金-4,4'联吡啶-金单分子断裂结数据中，可高效无监督地识别不明显但高度相关的轨迹类别。
引用
@article{arxiv.2001.03006,
title = {Unsupervised feature recognition in single molecule break junction data},
author = {A. Magyarkuti and N. Balogh and Z. Balogh and L. Venkataraman and A. Halbritter},
journal= {arXiv preprint arXiv:2001.03006},
year = {2020}
}