用模型缩小技术增强的峰值力AFM分析
Xuyang Chang1,2, Simon Hallais2, Kostas Danas2
1Université Paris-Saclay/CentraleSupélec/ENS Paris-Saclay/C.N.R.S., LMPS-Laboratoire de Mécanique Paris-Saclay, 91190 Gif-sur-Yvette, France.
Sensors (Basel, Switzerland)
|July 11, 2023
概括
这项研究引入了一种机器学习方法,以简化来自PeakForce定量纳米机械原子力显微镜 (PF-QNM) 的复杂数据. 该方法减少了数据的维度,使得更容易地解释材料属性,而不需要先前的机械模型.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 数据科学数据科学数据科学
背景情况:
- 峰值力定量纳米机械原子力显微镜 (PF-QNM) 产生用于机械性质分析的高维数据集.
- 分析具有复杂地形的异质材料提出了细分挑战.
- 现有的方法通常需要先前的机械模型,并且可以是主观的.
研究的目的:
- 为PF-QNM数据开发一个新的数据处理管道.
- 使用正确的直角分解 (POD) 和机器学习来减少PF-QNM数据集的维度.
- 为了使潜在的机械参数能够客观有效地提取.
主要方法:
- 应用正确的直角分解 (POD) 来减少维度.
- 在缩小维度数据上使用机器学习技术.
- 调查异质样本:用纳米的聚钢和用颗粒的PDMS.
主要成果:
- 成功将高维的PF-QNM数据压缩成一个低维的表示.
- 提取控制机械反应的关键"状态变量".
- 从机械数据中演示材料相,接口和地形的解释.
结论:
- 拟议的方法显著减少了数据分析中的用户依赖性和主观性.
- 它提供了对复杂的力缩数据的紧而简单的解释.
- 这种方法在计算上是高效的,并且不依赖于模型.


