無監督流形學習助力高精度掃描探針功能成像

海歸學者發起的公益學術平台

分享信息，整合資源

交流學術，偶爾風月

掃描探針（SPM）功能成像已經被廣泛用於諸多納米材料領域中。掃描探針頻譜分析的目標是從懸臂的動力特徵來推斷材料的結構和功能：特別是過去十年間，掃描探針技術在多通道，寬頻/高維數據收集方面取得了顯著進展。

任何多頻/多維 SPM 信號分析方法的改進都可能促進諸多材料領域裡的進步。來自美國橡樹嶺國家實驗室的 Xin Li 和 Sergei Kalinin 最近提出了基於流形學習（manifold learning）的無監督學習方法。該方法能夠高效的從高維掃描探針信號中多層次的提取具有豐富局部細節的材料特徵，進一步實現去噪，分類和高精度功能成像。他們將這一方法應用在頻帶激勵（BE-SPM）和 三維（3D-AFM）原子力掃描探針上，並展示了混合聚合物機械性能的高精度成像和在原子解析度上對方解石不規則水化結構的解析。這一方法有望推進新一輪掃描探針「 和相關材料應用領域的發展。該成果以「High-veracity functional imaging in scanning probe microscopy via Graph-Bootstrapping」為題發表在《自然通訊》上。

高維掃描探針信號在低維流形空間的分布。通過圖的自抽樣（ Graph-Bootstrapping), 能夠將更深層的結構細節展現出來。

流形空間上的聚類在材料結構上的映射

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！