[논문 리뷰] Charting the low-loss region in Electron Energy Loss Spectroscopy with machine learning

Laurien I. Roest, Sabrya E. van Heijst외 3명|arXiv (Cornell University)|2020. 09. 10.

2D Materials and Applications참고 문헌 73인용 수 20

한 줄 요약

이 논문은 전자 에너지 손실 분광법(EELS)에서 정밀한 제로 손실 피크(ZLP) 추출을 위한 기계학습 기반의 모델 독립적 방법을 제시하며, 신뢰할 수 있는 불확도 정량화를 제공한다. 진공 스펙트럼으로 훈련된 신경망과 몬테카를로 복제 샘플링을 활용하여, 다형성 WS2 나노플라워에서 ZLP를 정확히 제거함으로써 간섭 없는 간접 밴드 갭 $E_{\rm BG}=1.6_{-0.2}^{+0.3}$ eV를 명확히 드러내고, 통계적으로 의미 있는 1.5 eV까지의 응집성 전이를 해결한다.

ABSTRACT

Exploiting the information provided by electron energy-loss spectroscopy (EELS) requires reliable access to the low-loss region where the zero-loss peak (ZLP) often overwhelms the contributions associated to inelastic scatterings off the specimen. Here we deploy machine learning techniques developed in particle physics to realise a model-independent, multidimensional determination of the ZLP with a faithful uncertainty estimate. This novel method is then applied to subtract the ZLP for EEL spectra acquired in flower-like WS$_2$ nanostructures characterised by a 2H/3R mixed polytypism. From the resulting subtracted spectra we determine the nature and value of the bandgap of polytypic WS$_2$, finding $E_{\ m BG} = 1.6_{-0.2}^{+0.3}\\,{\ m eV}$ with a clear preference for an indirect bandgap. Further, we demonstrate how this method enables us to robustly identify excitonic transitions down to very small energy losses. Our approach has been implemented and made available in an open source Python package dubbed EELSfitter.

연구 동기 및 목표

• EELS에서 모델 의존적 ZLP 제거 방법이 유도하는 편향과 불확도 추정 부족 문제를 해결하기 위해.
• 고에너지 물리학에서 유래한 기계학습 기법을 활용해 모델 독립적이고 다차원적인 ZLP 매개변수화를 개발하기 위해.
• 복잡한 2D 물질인 다형성 WS2와 같은 구조에서 응집성 및 밴드 갭과 같은 저손실 특징을 견고하게 식별하기 위해.
• 다양한 현미경 조건에서 고정밀 EELS 데이터 분석을 위한 일반화 가능하고 오픈소스 도구를 제공하기 위해.

제안 방법

• 기계학습 기반의 비편향 보간기로 저손실 영역의 ZLP를 매개변수화하기 위해 인공 신경망을 활용한다.
• 몬테카를로 복제 방법을 사용해 ZLP 형태에 대한 확률 분포를 구축함으로써 신뢰성 있는 불확도 전파를 가능하게 한다.
• 장치 및 운영 조건의 의존성을 반영하기 위해 다양한 비드 에너지와 노출 시간에서 확보한 진공 EELS 스펙트럼으로 모델을 훈련시킨다.
• 훈련된 ZLP 모델을 실제 시료 스펙트럼에 적용하여 기여 요소를 제거하고, 고유한 저손실 특징 분석을 가능하게 한다.
• 비드 에너지 및 노출 시간 변화에 따른 FWHM 예측값과 실제 측정값을 비교하여 방법을 검증한다.
• 전체 워크플로우를 커뮤니티 사용을 위해 오픈소스 파이썬 패키지 EELSfitter로 구현한다.

실험 결과

연구 질문

• RQ1 모델 독립적인 기계학습 접근법이 EELS에서 ZLP를 정확히 추출하면서도 신뢰할 수 있는 불확도 추정을 제공할 수 있는가?
• RQ2 단일색체 TEM에서 비드 에너지 및 노출 시간에 따라 ZLP 형태는 어떻게 변화하는가?
• RQ3 ZLP 제거 스펙트럼을 통해 드러나는 다형성 2H/3R WS2 나노구조의 밴드 갭의 성격과 값은 무엇인가?
• RQ4 이 방법을 통해 초저손실 응집성 전이를 견고하고 정량적으로 식별하고 측정할 수 있는가?
• RQ5 한 현미경에서 훈련된 ZLP 모델이 다른 운영 조건이나 기기로 일반화될 수 있는 정도는 어느 정도인가?

주요 결과

• 다형성 2H/3R WS2의 밴드 갭은 $E_{\rm BG}=1.6_{-0.2}^{+0.3}$ eV로 결정되었으며, 간접 밴드 갭으로의 명확한 경향성이 관찰되었다.
• 1.5 eV와 2.0 eV에서 두 개의 주요 응집성 전이가 식별되었고, 더 약한 특징은 1.7 eV에서 관찰되었으며, 이는 샘플의 공간적으로 분리된 영역에서 일관되게 나타났다.
• 불확도 전파를 통해 저손실 특징, 특히 응집성 피크의 통계적 유의성 평가가 견고하게 가능해졌다.
• ZLP 매개변수화가 비드 에너지 및 노출 시간에 따른 FWHM 변화를 성공적으로 외삽하여 측정된 데이터와 양호한 일치를 보였다.
• 오픈소스 EELSfitter 패키지는 인간 간섭 최소화로 고속 스케일의 스펙트럼 이미지 분석을 자동화할 수 있게 하였다.
• 기존의 모델 기반 ZLP 제거 방법에 비해 이 접근법은 방법론적 편향을 제거하고 정량화 가능한 불확도를 제공함으로써 우수한 성능을 보였다.