用人工智能检测STM/STS数据中的向列序
摘要：用监督式机器学习和人工神经网络在没有清晰特征的情况下，从局域态密度数据中检测向列状有序。我们训练人工神经网络来分类在无序情况下的模拟各向异性的二维金属数据。监督式机器学习只有在ANN架构中至少有一个隐藏层才能成功，这表明它比从列状特征检测到的向列状有序更复杂，而后者只需要两个神经元。我们将最终的ANN应用于钙铁砷化物的STM实验数据，并且以99%的置信度（概率0.99）预测了向列状对称性破缺，与先前的分析结果一致。我们的结果表明，人工神经网络可能是STM数据中检测向列状有序以及其他形式对称性破缺的有用工具。
作者：Jeremy B. Goetz, Yi Zhang, and Michael J. Lawler
论文ID：1901.11042
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2020-06-18