电镜中的垃圾变黄金—深度神经网络

近十年来，扫描探针、电子显微镜和光学显微镜的光谱成像方法发展迅速，导致了大型多维数据集的兴起。在许多情况下，将高光谱数据降维到较低维度的材料特征参数，要依赖功能拟合，虽然拟合函数的近似形式是已知的，但函数的参数却是需要人为确定的。然而，通过迭代方法实现噪声数据的功能拟合（如最小二乘梯度下降），常常会出现虚假结果。

来自美国橡树林国家实验室的Stephen Jesse领导的团队，提出了一种新的方法，可用来逆向解决问题，可从基于光谱成像数据的最小二乘拟合中提取物理模型参数，并能通过深度学习测定先验参数而增强提取能力。他们将这种方法应用于从压电响应力显微镜数据中提取简谐振子参数，并证明了通过结合使用深度神经网络和最小二乘拟合，可以探测比传统方法低一个数量级的信号响应，接近激发信号的热限制。作为模型系统，他们演示了从层状铁电化合物的带激发压电响应力显微镜成像中，提取阻尼简谐振子参数。这种使用深度神经网络的方法是通用的，并且在正向和反向情况下都显示出它们作为函数近似器的效用，且它们在嘈杂的环境中工作良好。

深度神经网络成像光谱导致

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。