Predicting plasmonic pole representations of complex dielectric spectra using convolutional neural networks
本文介绍了一种在合成多极-Padé谱上训练的卷积神经网络，该网络能够高效且准确地将复杂的介电谱反演为底层的等离子体极参数，为传统的非线性拟合方法提供了一种鲁棒、高通量的替代方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在材料的微观世界中，电子并非孤立运动；它们成群结队地涌动，以一种集体性的节奏相互作用，这种节奏定义了物质如何与光和电发生相互作用。当科学家研究这些材料时，他们通常会观察“介电谱”，这是一种类似于指纹的图表，揭示了材料如何屏蔽电场以及其电子如何响应能量而振动。在这一复杂的曲线中，隐藏着“等离激元”（plasmons）的特征，即电子协同运动的集体波。为了理解材料的本质，研究人员需要从这些曲线中提取特定的细节：波峰出现的精确能量、波衰减的速度以及它携带的能量。传统上，寻找这些隐藏的数值是一个缓慢且困难的过程，需要科学家通过复杂的数学拟合进行“猜测与尝试”，直到曲线与他们的猜测相匹配。这种方法不仅耗时，而且非常脆弱，如果初始猜测稍有偏差或数据存在噪声，往往会失败。
奥斯陆大学的一位研究人员开发了一种解决这一难题的新方法，绕过了缓慢的猜测过程。该研究者并没有尝试通过手动或使用标准算法来拟合曲线，而是训练了一个计算机程序——一种被称为卷积神经网络的特定人工智能——来瞬间识别这些电子波的模式。研究人员并没有通过向计算机输入成千上万个来自特定金属或半导体的真实世界案例来进行教学。相反，他们构建了一个庞大的合成（即虚构的）光谱库。他们通过获取描述电子波行为的数学规则，并随机混合波的能量水平、衰减率和强度，从而生成了数百万条独特的理论曲线。通过在这些无穷无尽的合成数据上训练计算机，神经网络学习到了曲线形状与创造该形状的具体数值之间的基本关系，而不仅仅是死记硬背几种特定材料的特征。
当研究人员测试这个经过训练的网络时，它展示了卓越的泛化能力。计算机可以观察由真实物理计算生成的复杂光谱，甚至是来自实际实验室实验的光谱，并在瞬间精准地识别出潜在的电子波。它成功地提取了从铝等简单金属到硅和氧化锌等更复杂半导体的能量位置、展宽和波强度。即使在数据包含难以分离的重叠波，或者实验测量中包含少量噪声的情况下，该系统依然表现出色。在实验数据呈现出合成训练库中不存在的特征（例如半导体的陡峭起始点或微弱的肩部结构）时，网络仍能准确捕捉光谱的主导特征，尽管它无法完美地重建每一个微小的细节。
这项研究证实，这种方法为传统的、劳动密集型的分析方法提供了一种稳健且高效的替代方案。研究人员发现，网络可以完全从合成数据中学习必要的映射关系，这意味着它不需要针对每种新材料都进行重新训练。这表明，同一个训练好的模型可以应用于各种物质，无论是通过超级计算机研究的材料，还是在实验室中测量的材料，而无需进行特定于材料的调整。虽然该方法目前对于所有可能的实验异常情况尚不完美，但研究人员指出，这些局限性是系统性的，可以通过简单地扩大包含更复杂场景的合成示例库来加以解决。这项工作为快速、自动化的材料行为分析建立了一条新路径，将一个困难的、人工提取的过程转变为一个快速、可靠的步骤，有望加速对新型电子材料的发现与理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。