利用 Ripley's K 函数表征三维点模式中的团簇：以原子探针层析为案例研究
材料科学
2020-11-26 v1
摘要
空间分子与原子团簇的尺寸和结构会显著影响材料性能，因此准确量化十分重要。Ripley's K 函数（K(r)）作为一种空间相关性度量，当所关注的材料体系可表示为标记点模式时，可用于此类量化。本工作展示了基于 K(r) 衍生度量的机器学习模型如何准确估计含不同尺寸球形团簇的模拟三维（3D）点模式中的团簇尺寸与团簇内密度；模型对团簇尺寸与团簇内密度的估计分别有超过 90% 落在真实值的 11% 和 18% 误差范围内。这些基于 K(r) 的尺寸与密度估计随后被应用于实验性 APT 重建，以表征 7000 系铝合金中的 MgZn 团簇。我们发现，相较于广为使用的最大分离算法，这些估计更准确、一致且对用户交互更具鲁棒性。利用 K(r) 与机器学习测量团簇是一种量化这一重要材料属性的准确且可重复的方法。
引用
@article{arxiv.2007.15992,
title = {Using Ripley's K-function to Characterize Clustering In 3-Dimensional Point Patterns With a Case Study in Atom Probe Tomography},
author = {Galen B. Vincent and Andrew P. Proudian and Jeramy D. Zimmerman},
journal= {arXiv preprint arXiv:2007.15992},
year = {2020}
}
备注
17 pages 4 figures. SI has 14 pages and 13 figures