当前位置：
X-MOL 学术
›
Ultramicroscopy
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
使用机器学习绘制电子能量损失谱中的低损耗区域
Ultramicroscopy ( IF 2.1 ) Pub Date : 2021-03-01 , DOI: 10.1016/j.ultramic.2021.113202 Laurien I. Roest , Sabrya E. van Heijst , Louis Maduro , Juan Rojo , Sonia Conesa-Boj
Ultramicroscopy ( IF 2.1 ) Pub Date : 2021-03-01 , DOI: 10.1016/j.ultramic.2021.113202 Laurien I. Roest , Sabrya E. van Heijst , Louis Maduro , Juan Rojo , Sonia Conesa-Boj
利用电子能量损失光谱 (EELS) 提供的信息需要可靠地访问低损失区域，在该区域中，零损失峰值 (ZLP) 通常会压倒与样本非弹性散射相关的贡献。在这里，我们部署了在粒子物理学中开发的机器学习技术，以实现与模型无关的、具有忠实不确定性估计的 ZLP 多维确定。然后应用这种新方法减去以 2H/3R 混合多型为特征的花状 WS2 纳米结构中获得的 EEL 光谱的 ZLP。从得到的减影光谱中，我们确定了多型 WS2 带隙的性质和值，发现 EBG=1.6-0.2+0.3eV，明显偏爱间接带隙。更多，我们展示了这种方法如何使我们能够稳健地识别低至非常小的能量损失的激子跃迁。我们的方法已在名为 EELSfitter 的开源 Python 包中实现并提供。
"点击查看英文标题和摘要"
更新日期：2021-03-01
"点击查看英文标题和摘要"
京公网安备 11010802027423号