机器学习识别材料相变--基于扫描探针显微镜的数据挖掘

《机器学习识别材料相变--基于扫描探针显微镜的数据挖掘》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、今年，共有19所高校部分外国语专业可单独招生，这些单招的试点院校将按有关规定自行组织命题和单独考试，在全国统考前提前录取机器学习识别材料相变--基于扫描探针显微镜的数据挖掘　　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　　导语　　探索相变和构建相图对于凝聚态物理和材料科学至关重要，是理论和实验领域广泛研究的焦点。相变研究通常需要运用散射、热力学、模拟等综合手段描述相变时序参量的变化，对于序参量未知的体系，传统方法十分局限。最近西安交通大学杨耀东课题组的李玲龙与橡树岭国家实验室Kalinin小组合作，在新发表的ScienceAdvances文章中创新性

2、地提出运用机器学习算法，对扫描探针尖端探测体积下压电弛豫的动力学响应进行数据挖掘，在序参量未知的情况下，确定了纳米尺度的结构相变。这一研究成果实现了序参量缺失情况下的相变表征，为材料科学中高维复杂数据的信息挖掘、分析提供了新颖独特的解决方案。　　对于使用机器学习算法构筑相图的设想，研究人员首先在二维Ising模型中，构建了该系统在撤去激励磁场后随时间弛豫的多维度数据集，并采用K-means算法处理得到分类簇，发现其以顺磁-铁磁相界分为三个簇，如图一所示。由此，其可行性在模拟数据集中得以证实。小语种自主招生的对象主要是外语教学质量较高的普通高中应届毕业生，考生被录取后，不得再报考

3、其他高校，新生入学后也不得转入其他专业。今年，共有19所高校部分外国语专业可单独招生，这些单招的试点院校将按有关规定自行组织命题和单独考试，在全国统考前提前录取　　图一K-means聚类算法处理Ising模型数据集。　　A：三个簇k=0，1，2中数据向量的数量随温度的变化。B：簇中心的向量。C:簇中数据向量数构建的铁磁-顺磁转变相图。　　随后在实验研究中，研究人员通过扫描探针加载脉冲电压，以激励弛豫铁电体PMN-PT中微区压电响应的弛豫信号（激励电压波形如图二A所示），并根据不同脉冲偏压和温度，使用频带激励信号增强技术获得多维度的压电弛豫信号数据集。主成分分析（PCA）作为一种

4、无监督学习算法，能有效针对高维数据进行降维处理。研究人员使用PCA算法，分别获得了数据集的特征值和特征向量。在特征值的突变界面（图二C的黑色虚线），明确指出了相变发生的信号。　　图二频带激励压电力显微镜获得多维度的压电响应弛豫数据集，以及其主成分分析结果。　　A：用于压电弛豫测量的波形。B：PCA得到的特征向量。C：PCA得到的特征值。　　进一步使用K-means算法处理偏压-温度多维度数据，根据每一条数据在簇分类中的落点以及簇中包含数据向量的数量，得到偏压-温度维度的相图，如图三B所示。在临界温度70℃左右，落在簇k=0和簇k=1的数据向量的数量发生明显改变，直接对应着材料的

5、两种单斜相MB-MC相变。　　图三小语种自主招生的对象主要是外语教学质量较高的普通高中应届毕业生，考生被录取后，不得再报考其他高校，新生入学后也不得转入其他专业。今年，共有19所高校部分外国语专业可单独招生，这些单招的试点院校将按有关规定自行组织命题和单独考试，在全国统考前提前录取K-Means聚类结果。A:簇中心向量。B：根据簇中数据落点量构建的偏压-温度相图。　　研究工作创新性地采用无监督机器学习算法分析电压-热激励下压电弛豫的高维数据集，自动识别材料的相变过程，构建了弛豫铁电晶体的电压-温度相图。尤其在面向序参量缺失（或不可知）的体系时，相较传统的曲线拟合方法，为微观（电

6、场）-宏观（温度）的实验数据集的分析提供了更普适的、全局的方法。更重要的是，这一研究方法不受限于数据维度和测量手段，使得机器学习成为材料科学中复杂数据分析和信息挖掘的有力武器。小语种自主招生的对象主要是外语教学质量较高的普通高中应届毕业生，考生被录取后，不得再报考其他高校，新生入学后也不得转入其他专业。