无监督流形学习助力高精度扫描探针功能成像

2018 年 7 月 30 日 知社学术圈

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

扫描探针(SPM)功能成像已经被广泛用于诸多纳米材料领域中。扫描探针频谱分析的目标是从悬臂的动力特征来推断材料的结构和功能:特别是过去十年间,扫描探针技术在多通道,宽频/高维数据收集方面取得了显著进展。

任何多频/多维 SPM 信号分析方法的改进都可能促进诸多材料领域里的进步。来自美国橡树岭国家实验室的 Xin Li 和 Sergei Kalinin 最近提出了基于流形学习(manifold learning)的无监督学习方法。该方法能够高效的从高维扫描探针信号中多层次的提取具有丰富局部细节的材料特征,进一步实现去噪,分类和高精度功能成像。他们将这一方法应用在频带激励(BE-SPM)和 三维(3D-AFM)原子力扫描探针上,并展示了混合聚合物机械性能的高精度成像和在原子分辨率上对方解石不规则水化结构的解析。这一方法有望推进新一轮扫描探针“ 和相关材料应用领域的发展。该成果以“High-veracity functional imaging in scanning probe microscopy via Graph-Bootstrapping”为题发表在《自然通讯》上。


高维扫描探针信号在低维流形空间的分布。通过图的自抽样( Graph-Bootstrapping),  能够将更深层的结构细节展现出来。


流形空间上的聚类在材料结构上的映射


扩展阅读

 

npj: 扫描探针显微镜插上机器学习的翅膀

npj: 超导转变温度——机器学习作预测

npj:机器学习——小规模数据集也能用来预测

从原子精度膜厚控制到明锐氧化物表面与界面的实现

机器学习识别材料相变

本文系网易新闻·网易号“各有态度”特色内容

媒体转载联系授权请看下方


登录查看更多
0

相关内容

流形学习,全称流形学习方法(Manifold Learning),自2000年在著名的科学杂志《Science》被首次提出以来,已成为信息科学领域的研究热点。在理论和应用上,流形学习方法都具有重要的研究意义。假设数据是均匀采样于一个高维欧氏空间中的低维流形,流形学习就是从高维采样数据中恢复低维流形结构,即找到高维空间中的低维流形,并求出相应的嵌入映射,以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质,找到产生数据的内在规律。
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
120+阅读 · 2020年7月9日
【CVPR2020】跨模态哈希的无监督知识蒸馏
专知会员服务
61+阅读 · 2020年6月25日
【斯坦福大学博士论文】自监督场景表示学习, 97页pdf
专知会员服务
94+阅读 · 2020年6月19日
基于视觉的三维重建关键技术研究综述
专知会员服务
165+阅读 · 2020年5月1日
基于深度学习的多标签生成研究进展
专知会员服务
146+阅读 · 2020年4月25日
已删除
将门创投
5+阅读 · 2019年9月10日
【泡泡图灵智库】基于有限姿态监督的单目三维重建
泡泡机器人SLAM
5+阅读 · 2019年9月6日
【泡泡点云时空】完美配准:具有平滑密度的3D点云配准
泡泡机器人SLAM
61+阅读 · 2019年5月16日
深度学习下的医学图像分析(四)
AI研习社
19+阅读 · 2017年7月19日
Arxiv
4+阅读 · 2018年4月10日
VIP会员
相关VIP内容
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
120+阅读 · 2020年7月9日
【CVPR2020】跨模态哈希的无监督知识蒸馏
专知会员服务
61+阅读 · 2020年6月25日
【斯坦福大学博士论文】自监督场景表示学习, 97页pdf
专知会员服务
94+阅读 · 2020年6月19日
基于视觉的三维重建关键技术研究综述
专知会员服务
165+阅读 · 2020年5月1日
基于深度学习的多标签生成研究进展
专知会员服务
146+阅读 · 2020年4月25日
Top
微信扫码咨询专知VIP会员