Using <i>k</i>-means to sort spectra: Electronic order mapping from scanning tunneling spectroscopy measurements
Notice bibliographique
Résumé
Hyperspectral imaging techniques have a unique ability to probe the inhomogeneity of material properties whether driven by compositional variation or other forms of phase segregation. In the doped cuprates, iridates, and related materials, scanning tunneling microscopy/spectroscopy (STM/STS) measurements have found the emergence of pseudogap “puddles” from the macroscopically Mott insulating phase with increased doping. However, categorizing this hyperspectral data by electronic order is not trivial and has often been done with ad hoc methods. In this paper, we demonstrate the utility of k-means, a simple and easy-to-use unsupervised clustering method, as a tool for classifying heterogeneous scanning tunneling spectroscopy data by electronic order for Rh-doped Sr2IrO4, a cuprate-like material. Applied to STM data acquired within the Mott phase, k-means was able to identify areas of Mott order and of pseudogap order. The unsupervised nature of k-means limits avenues for bias and provides clustered spectral shapes without a priori knowledge of the physics. Additionally, we demonstrate the use of k-means as a preprocessing tool to constrain phenomenological function fitting. Clustering the data allows us to reduce the fitting parameter space, limiting over-fitting. We suggest k-means as a fast, simple model for processing hyperspectral data on materials of mixed electronic order.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».