主成分分析降维加速空间分辨ARPES无监督畴分类的可行性研究

《Scientific Reports》：A machine-learning approach to high-throughput spatially resolved ARPES measurements

　　空间分辨的角度分辨光电子能谱（ARPES）是一种强大的局域电子结构测绘技术，但需要在每个空间点上花费较长的测量时间才能达到足够的信噪比（SNR）。这一限制降低了束流时间的利用效率，并加剧了样品退化。然而，在具有畴结构的样品中，相似的光谱会在各个空间位置上被反复测量，导致空间分辨ARPES数据集中存在大量冗余。本文系统地评估了采集时间缩短所引起的信噪比降低如何影响无监督畴分类。基于主成分分析（PCA）的降维方法即使在低信噪比条件下，仍能保持与高信噪比参考分类的高度一致性；而直接对光谱向量进行聚类，则在相对较高信噪比的范围内便已出现快速退化。由于降维仅用于畴分类，每个畴的代表性光谱是通过测量数据的直接平均获得的。这些结果表明，将短采集时间测量与通过在每个已分类畴内共加光谱所实现的畴内光谱平均相结合，可以在保持分类准确性的同时大幅加快空间分辨ARPES的测量速度。