通过非负矩阵因数分解,对经过表轴培养的石墨烯的空间分辨率ARPES光谱进行无监督学习

科学领域:

• 凝聚物质物理学 凝聚物质物理学
• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学

背景情况:

• 空间分辨率的角度分辨率光辐射光谱 (ARPES) 产生了庞大而复杂的数据集.
• 分析这些数据集通常需要手动检查,并且可能耗时.
• 了解纳米级的材料特性对于技术进步至关重要.

研究的目的:

• 开发一种自动化,无监督的机器学习方法来分析空间分辨率的ARPES数据.
• 将这种方法应用于在碳化物 (SiC) 基板上长大的石墨烯.
• 证明该方法在可视化材料属性和光谱特征方面的能力.

主要方法:

• 使用非负矩阵因子化 (NMF) 来分解ARPES光谱.
• 用于空间分析的NMF衍生激活矩阵上的k-平均集群.
• 应用了结合NMF和k-means方法,对SiC上的石墨烯的空间分辨率ARPES数据进行了应用.

主要成果:

• 使用NMF成功地分解和复制了迪拉克石墨烯.
• NMF基和激活矩阵揭示了与石墨烯层数量和生长方向相关的详细光谱特征.
• 对NMF激活矩阵的K-平均集群有效地可视化了石墨烯厚度的空间分布.

结论:

• 无监督的NMF和k-means集群方法为分析大型ARPES数据集提供了有效的方法.
• 这种技术可以在没有手动光谱检查的情况下清晰可视化材料性质的空间变化.
• 开发的方法在ARPES数据分析中广泛适用于除了石墨烯之外的各种材料.