Метод обробки ARPES спектрів на основі U-Net
DOI:
https://doi.org/10.15407/ujpe70.8.550Ключові слова:
ARPES, нейроннi мережi, електронна структура, U-NetАнотація
Фотоемiсiйна спектроскопiя з роздiленням по куту (ARPES) – це потужний iнструмент для дослiдження електронної структури матерiалiв. Однак визначення електронної дисперсiї з цих спектрiв може бути ускладненим через ефекти уширення, наявнiсть рiзних типiв шуму, обмеження роздiльної здатностi тощо. У цiй статтi пропонується новий пiдхiд до визначення дисперсiї зi спектрiв ARPES на основi нейронної мережi U-Net. Задача видiлення енергетичних зон розглядається як задача семантичної сегментацiї. Ми показуємо, що U-Net, навчена лише на основi згенерованих даних, може визначити зонну структуру з експериментально отриманих спектрiв без попереднього знешумлення.
Посилання
1. M.J. Smith, J.E. Geach. Astronomia ex machina: A history, primer and outlook on neural networks in astronomy Royal Soc. Open Sci. 10 (5), 221454 (2023).
https://doi.org/10.1098/rsos.221454
2. C. Adam-Bourdarios, G. Cowan, C. Germain-Renaud, I. Guyon, B. K'egl, D. Rousseau. The higgs machine learning challenge. J. Phys. Conf. Ser. 664, 072015 (2015).
https://doi.org/10.1088/1742-6596/664/7/072015
3. A. Damascelli, Z. Hussain, Z.-X. Shen. Angle-resolved photoemission studies of the cuprate superconductors. Rev. Mod. Phys. 75, 473 (2003).
https://doi.org/10.1103/RevModPhys.75.473
4. J.A. Sobota, Yu. He, Z.-X. Shen. Angle-resolved photoemission studies of quantum materials. Rev. Mod. Phys. 93, 025006 (2021).
https://doi.org/10.1103/RevModPhys.93.025006
5. T. Valla, A.V. Fedorov, P.D. Johnson, B.O. Wells, S.L. Hulbert, Q. Li, G.D. Gu, N. Koshizuka. Evidence for quantum critical behavior in the optimally doped cuprate. Science 285, 2110 (1999).
https://doi.org/10.1126/science.285.5436.2110
6. Z.-X. Shen, J.R. Schrieffer. Momentum, temperature, and doping dependence of photoemission lineshape and implications for the nature of the pairing potential in high-Tc superconducting materials. Phys. Rev. Lett. 78, 1771 (1997).
https://doi.org/10.1103/PhysRevLett.78.1771
7. R.C. Gonzalez, R.E. Woods. Digital Image Processing (Prentice Hall, 2008) [ISBN: 978-0131687288].
8. P. Zhang, P. Richard, T. Qian, Y.-M. Xu, X. Dai, H. Ding. A precise method for visualizing dispersive features in image plots. Rev. Sci. Instrum. 82, 043712 (2011).
https://doi.org/10.1063/1.3585113
9. Yu. He, Y. Wang, Z.-X. Shen. Visualizing dispersive features in 2D image via minimum gradient method. Rev. Sci. Instrum. 88, 073903 (2017).
https://doi.org/10.1063/1.4993919
10. Yo. Kim, D. Oh, S. Huh, D. Song, S. Jeong, Ju. Kwon, M. Kim, D. Kim, H. Ryu, J. Jung, W.Kyung, B. Sohn, S. Lee, J. Hyun, Ye. Lee et al. Deep learning-based statistical noise reduction for multidimensional spectral data. Rev. Sci. Instrum. 92, 073901 (2021).
https://doi.org/10.1063/5.0054920
11. D. Huang, J. Liu, T. Qian, Y.F. Yang. Spectroscopic data de-noising via training-set-free deep learning method. Sci. China: Phys. Mech. Astron. 66, 267011 (2023).
https://doi.org/10.1007/s11433-022-2075-x
12. J. Liu, D. Huang, Y.F. Yang, T. Qian. Removing grid structure in angle-resolved photoemission spectra via deep learning method. Phys. Rev. B 107, 165106 (2023).
https://doi.org/10.1103/PhysRevB.107.165106
13. H. Peng, X. Gao, Yu He, Y. Li, Y. Ji, Ch. Liu, S.A. Ekahana, D. Pei, Z. Liu, Z. Shen, Yu. Chen. Super resolution convolutional neural network for feature extraction in spectroscopic data. Rev. Sci. Instrum. 91, 033905 (2020).
https://doi.org/10.1063/1.5132586
14. F. Restrepo, Ju. Zhao, U. Chatterjee. Denoising and feature extraction in photoemission spectra with variational auto-encoder neural networks. Rev. Sci. Instrum. 93, 065106 (2022).
https://doi.org/10.1063/5.0090051
15. O. Ronneberger, P. Fischer, T. Brox. U-Net: Convolutional networks for biomedical image segmentation. arXiv: 1505.04597[cs.CV] (2015).
https://doi.org/10.1007/978-3-319-24574-4_28
16. O. Oktay, J. Schlemper, L. Le Folgoc, M. Lee, M. Heinrich, K. Misawa, K. Mori, S. McDonagh, N. Y Hammerla, B. Kainz, B. Glocker, D. Rueckert. Attention UNet: Learning where to look for the pancreas. arXiv: 1804.03999v3[cs.CV] (2018).
17. T. Lin, P. Goyal, R. Girshick, K. He, P. Dollar. Focal loss for dense object detection. 2017 IEEE International Conference on Computer Vision (ICCV), p. 2999 (2017).
https://doi.org/10.1109/ICCV.2017.324
18. Yu. V. Pustovit, A.A. Kordyuk. Temperature induced shift of electronic band structure in Fe(Se, Te). Low Temp. Phys. 45, 1172 (2019).
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Ліцензійний Договір
на використання Твору
м. Київ, Україна
Відповідальний автор та співавтори (надалі іменовані як Автор(и)) статті, яку він (вони) подають до Українського фізичного журналу, (надалі іменована як Твір) з одного боку та Інститут теоретичної фізики імені М.М. Боголюбова НАН України в особі директора (надалі – Видавець) з іншого боку уклали даний Договір про таке:
1. Предмет договору.
Автор(и) надає(ють) Видавцю безоплатно невиключні права на використання Твору (наукового, технічного або іншого характеру) на умовах, визначених цим Договором.
2. Способи використання Твору.
2.1. Автор(и) надає(ють) Видавцю право на використання Твору таким чином:
2.1.1. Використовувати Твір шляхом його видання в Українському фізичному журналі (далі – Видання) мовою оригіналу та в перекладі на англійську (погоджений Автором(ами) і Видавцем примірник Твору, прийнятого до друку, є невід’ємною частиною Ліцензійного договору).
2.1.2. Переробляти, адаптувати або іншим чином змінювати Твір за погодженням з Автором(ами).
2.1.3. Перекладати Твір у випадку, коли Твір викладений іншою мовою, ніж мова, якою передбачена публікація у Виданні.
2.2. Якщо Автор(и) виявить(лять) бажання використовувати Твір в інший спосіб, як то публікувати перекладену версію Твору (окрім випадку, зазначеного в п. 2.1.3 цього Договору); розміщувати повністю або частково в мережі Інтернет; публікувати Твір в інших, у тому числі іноземних, виданнях; включати Твір як складову частину інших збірників, антологій, енциклопедій тощо, то Автор(и) мають отримати на це письмовий дозвіл від Видавця.
3. Територія використання.
Автор(и) надає(ють) Видавцю право на використання Твору способами, зазначеними у п.п. 2.1.1–2.1.3 цього Договору, на території України, а також право на розповсюдження Твору як невід’ємної складової частини Видання на території України та інших країн шляхом передплати, продажу та безоплатної передачі третій стороні.
4. Строк, на який надаються права.
4.1. Договір є чинним з дати підписання та діє протягом усього часу функціонування Видання.
5. Застереження.
5.1. Автор(и) заявляє(ють), що:
– він/вона є автором (співавтором) Твору;
– авторські права на даний Твір не передані іншій стороні;
– даний Твір не був раніше опублікований і не буде опублікований у будь-якому іншому виданні до публікації його Видавцем (див. також п. 2.2);
– Автор(и) не порушив(ли) права інтелектуальної власності інших осіб. Якщо у Творі наведені матеріали інших осіб за виключенням випадків цитування в обсязі, виправданому науковим, інформаційним або критичним характером Твору, використання таких матеріалів здійснене Автором(ами) з дотриманням норм міжнародного законодавства і законодавства України.
6. Реквізити і підписи сторін.
Видавець: Інститут теоретичної фізики імені М.М. Боголюбова НАН України.
Адреса: м. Київ, вул. Метрологічна 14-б.
Автор: Електронний підпис від імені та за погодження всіх співавторів.
.png){kind=small}
