来自STEM数据的铁电材料深度学习极化分布：有和无原子发现
摘要：从原子位探测复杂材料的原子结构以皮米米精度进而开启探索铁电，铁弹性和化学现象的通道中，扫描透射电子显微镜（STEM）在过去十年中已成为一种强大的工具。 目前通过从强度最大值/最小值中发现原子位置并随后计算极化和其他秩序参数场从原子位移中解雇极化信号的分析在STEM成像中， 该研究探索了使用深度卷积神经网络（DCNN）直接从STEM图像分析中进行极化映射的可行性。 在此方法中，DCNN被训练用于标记的图像部分（即用于人工标记），并将经过训练的网络随后应用于其他图像。 我们探究了描述符的选择（以原子柱和基于网格均衡）、观测偏差的影响以及在一个不同组合上能否应用训练的网络。 这分析展示了DCNN在高分辨率STEM成像和光谱数据分析中的巨大潜力，并凸显了相关限制。
作者：Ayana Ghosh, Christopher T. Nelson, Mark Oxley, Xiaohang Zhang, Maxim Ziatdinov, Ichiro Takeuchi, and Sergei V. Kalinin
论文ID：2102.12678
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2021-12-23