MétaCan
Menu
Retour à la cohorte
Enregistrement W4255435454 · doi:10.1002/9783527808465.emc2016.5124

Real‐space mapping of electronic orbitals

2016· other· en· W4255435454 sur OpenAlexaff
Stefan Löffler, Matthieu Bugnet, Nicolas Gauquelin, Sorin Lazar, Elias Assmann, Karsten Held, Gianluigi A. Botton, P. Schattschneider

Notice bibliographique

RevueEuropean Microscopy Congress 2016: Proceedings · 2016
Typeother
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésAtomic orbitalAsymmetryPhysicsElectronic structureAtomic physicsCondensed matter physicsMolecular physicsElectronQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

The world as we know it is shaped by electronic states. Be it optical, electrical, or magnetic properties, thermal conductivity, or chemical bonding: almost all macroscopic properties can be traced back to the electronic states on the nanoscale. It is all the more surprising that they remained mostly elusive from an experimental perspective so far. In this work, we show that the mapping of transitions between electronic states in real space with Ångström resolution is indeed possible using state‐of‐the‐art TEM and EELS [1]. As a model system, we used a 20 nm thick rutile sample oriented in [0 0 1] direction. In this system, the Ti L 2,3 edge splits into contributions from states with e g and t 2g symmetry, respectively. Fig. 1 shows the experimental L 2 ‐e g map extracted from the dataset acquired on a double Cs‐corrected FEI Titan cubed microscope operated at 80 keV after drift‐correction and averaging over 12 unit cells. An asymmetry that is rotated by 90° for nearest neighbors is clearly visible that is caused by the peculiar shape of the e g states as shown in the charge density distribution. Furthermore, simulations using the multislice [2] and mixed dynamic form factor [3] approaches were performed. As is evident from fig. 1, the simulations are in excellent agreement with the experimental data. One crucial prerequisite for such asymmetries to appear lies in the local environment of the atom that is being probed [4]. If the atomic site is invariant under a high symmetry point group, many states will be degenerate and their contributions to the scattered intensity will add up to a circularly symmetric map according to Unsöld's theorem [5]. A prototypical example of this for p ‐states is shown in fig. 2. Only if the point group symmetry is low enough, the degeneracy is lifted and transitions to individual states can be mapped by selecting a suitable energy window. This work shows that the mapping of individual electronic states is possible with widely used tools such as TEM and EELS. Thus, it paves the way for exciting new applications such as probing defect states at surfaces and interfaces that could revolutionize material science, as well as our experimental grasp on electronic properties and bonds on the atomic scale.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,007
Tête enseignante GPT0,264
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Microscopy Congress 2016: ProceedingsMême sujetMachine Learning in Materials ScienceTravaux en français237 207