从原子分辨率STEM图像中非监督学习铁性变体
材料科学
2024-06-19 v2 介观与纳米尺度物理
摘要
提出了一种基于旋转不变变分自编码器(rVAE)的方法,用于在存在成像非理想性和化学可变性的情况下,分析具有多个铁性变体的原子分辨率扫描透射电子显微镜数据。我们表明,分析的最优局部描述符是以特定原子单元为中心的子图像,因为材料和显微镜的畸变妨碍了使用理想晶格作为参考点。我们探索了非监督聚类和降维方法的适用性,结果显示其产生的聚类主要由化学和显微镜效应主导,且需要大量类别才能确定旋转变体的存在。相比之下,rVAE能够显式提取对应于铁性变体取向的角度,从而通过将铁性变体识别为具有恒定或平滑变化潜变量及尖锐取向变化的区域,实现直接辨识。该方法通过rVAE分离旋转自由度并搜索系统中剩余的可变性,进一步探索化学可变性。文稿中所用代码可在 https://github.com/saimani5/ferroelectric_domains_rVAE 获取。
引用
@article{arxiv.2101.06892,
title = {Unsupervised learning of ferroic variants from atomically resolved STEM images},
author = {Mani Valleti and Sergei V. Kalinin and Christopher T. Nelson and Jonathan J. P. Peters and Wen Dong and Richard Beanland and Xiaohang Zhang and Ichiro Takeuchi and Maxim Ziatdinov},
journal= {arXiv preprint arXiv:2101.06892},
year = {2024}
}
备注
19 pages, 7 Figures