没有机器学习的自动扫描探测器尖端状态分类

科学领域:

• 材料科学 材料科学 材料科学
• 纳米技术 纳米技术
• 表面科学是一门学科.

背景情况:

• 手动扫描探头尖端状态识别在原子分辨率扫描探头显微镜中耗时.
• 现有的机器学习方法需要大型的标记数据集,这些数据集对于新系统来说很难和耗时创建.
• 自动化尖端分类对于提高扫描探头显微镜的效率和准确性至关重要.

研究的目的:

• 开发一种更有效的方法来分类扫描探头尖端状态.
• 为了证明模板匹配 (TM) 可以在更少的数据中实现与机器学习相比较的准确性.
• 在没有大型标记数据集的情况下,为尖端分类提供可行的替代方案.

主要方法:

• 利用模板匹配 (TM) 来从地形图像中对扫描探头尖端状态进行分类.
• 将TM的准确性和精度与机器学习分类器进行了比较.
• 将TM应用于原型基表面和其他缺乏足够的机器学习训练数据的系统.

主要成果:

• 模板匹配 (TM) 实现了与机器学习方法相比的准确性和精度.
• 在监督机器学习培训不可行的系统中,TM成功地分类了尖端状态.
• 这种方法只需要一个单一的表面图像和对系统的最低预先知识.

结论:

• 模板匹配 (TM) 为扫描探头尖端分类提供了有效和数据效率高的解决方案.
• TM显著减少了与手动检查和数据准备相关的时间和精力.
• 这种方法提高了原子分辨率扫描探头显微镜在各种系统中的自动化和适用性.