[论文解读] Charting the low-loss region in Electron Energy Loss Spectroscopy with machine learning

Laurien I. Roest, Sabrya E. van Heijst+3 more|arXiv (Cornell University)|Sep 10, 2020

2D Materials and Applications参考文献 73被引用 20

一句话总结

本文提出了一种基于机器学习、模型无关的方法，可精确提取电子能量损失谱（EELS）中的零损失峰（ZLP），并提供可靠的不确定性量化。通过使用神经网络和蒙特卡洛重采样方法，在真空谱上进行训练，该方法能够从多型WS2纳米花中精确减去ZLP，揭示出清晰的间接带隙 $E_{\rm BG}=1.6_{-0.2}^{+0.3}$ eV，并以统计显著性分辨出低至1.5 eV的激子跃迁。

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.

研究动机与目标

• 克服传统基于模型的EELS中ZLP减去方法存在的偏差问题，并解决其缺乏不确定性估计的局限性。
• 利用高能物理中的机器学习技术，开发一种模型无关的、多维的ZLP参数化方法。
• 实现在复杂二维材料（如多型WS2）中稳健识别低损失特征（如激子和带隙）的能力。
• 提供一种可推广的开源工具，用于在不同显微镜条件下实现高精度的EELS数据分析。

提出的方法

• 采用人工神经网络作为无偏插值器，对EELS谱低损失区域的ZLP进行参数化。
• 利用蒙特卡洛重采样方法构建ZLP形状的概率分布，实现可靠的不确定性传播。
• 在不同束流能量和曝光时间下采集的真空EELS谱上进行模型训练，以捕捉仪器和操作条件的依赖性。
• 将训练好的ZLP模型应用于真实样品谱，减去其贡献，从而实现对本征低损失特征的分析。
• 通过比较预测值与不同束流能量和曝光时间下实际测量的半高宽（FWHM）数据，验证该方法的有效性。
• 将完整工作流程实现为名为EELSfitter的开源Python软件包，供社区使用。

实验结果

研究问题

• RQ1 基于模型无关的机器学习方法是否能够准确提取EELS中的ZLP，同时提供可靠的不确定性估计？
• RQ2 在单色化透射电镜中，ZLP形状如何随束流能量和曝光时间变化？
• RQ3 通过ZLP减去谱揭示的多型2H/3R WS2纳米结构的带隙性质及其数值为何？
• RQ4 能否利用该方法稳健地识别并量化超低损失区的激子跃迁？
• RQ5 在某一台显微镜上训练的ZLP模型，能在多大程度上推广到其他工作条件或仪器上？

主要发现

• 多型2H/3R WS2的带隙被确定为 $E_{\rm BG}=1.6_{-0.2}^{+0.3}$ eV，且明确支持间接带隙结构。
• 在1.5 eV和2.0 eV处识别出两个主要的激子跃迁，在1.7 eV处存在一个较弱的特征，且在样品不同空间区域均一致观测到。
• 该方法通过不确定性传播，实现了对低损失特征（包括激子峰）的稳健统计显著性评估。
• ZLP参数化成功外推至预测束流能量和曝光时间变化下的FWHM变化，与实测数据具有良好一致性。
• 开源的EELSfitter软件包可实现谱图像的自动化、高通量分析，且人工干预极少。
• 该方法优于传统基于模型的ZLP减去方法，消除了方法学偏差，并提供了可量化的不确定性。