一种高效的数据学习方法，用于低损耗鳗鱼特性分析：以纳米光子共振为例进行研究

《npj Computational Materials》：Highly efficient machine learning strategy for low-loss eels characterization: nanophotonic resonances as a case study

　　

摘要

扫描透射电子显微镜中的空间分辨电子能量损失谱（EEL）技术为材料表征提供了无与伦比的纳米尺度物理和化学性质映射能力。特别是在低能量损失区域，可以获取理解材料光学（如等离子体）、电子（如带隙）和结构特性的关键信息。然而，共振峰的重叠、相关特征与强烈零损失峰的接近以及低信噪比使得分析变得复杂，需要采用先进的方法进行有效去噪和复杂性质的识别。本文提出了一种新的机器学习算法组合，以提高EEL谱低损失区域的分析效率和解释能力，并自动识别空间定位的信息。该方法结合了均匀流形近似和投影技术进行降维处理，以及用于含噪声数据的无监督聚类算法——层次密度空间聚类。在第二步中，被分类为异常值的数据通过监督式支持向量机算法进行重新分配。这一监督阶段自然地扩展了无监督分析的结果，形成了一个经过训练的监督模型，该模型能够基于先前发现的聚类对新光谱图像进行分类，且计算成本几乎可以忽略不计，从而实现在其他数据集上的近乎实时应用。该策略已应用于硅/金纳米柱（作为混合金属-半导体纳米天线），以阐明其纳米光子共振（如等离子体共振、米氏共振和混合共振）现象。该过程能够以直观的方式准确映射不同类型的共振。这种方法的简单性和通用性为研究更复杂的集体激发和能带跃迁奠定了基础。