引言：
在量子材料研究的微观世界里，角分辨光电子能谱（ARPES）犹如一双“透视眼”，揭示着电子的能量和动量奥秘。然而，当研究对象缩小至纳米尺度，数据维度呈指数级增长时，传统的分析方法便显得力不从心。近日，中国科学院高能物理研究所与南京理工大学的科研团队携手，开发出一种多阶段无监督聚类算法（MSCA），为光电子能谱高维数据解析带来了革命性的突破，其精度较传统算法提升了约 20%。这一成果不仅为材料科学研究注入了新的活力，也展现了人工智能在科学研究领域的巨大潜力。
主体：
高维数据分析的挑战与机遇
在固体材料科学领域，ARPES 技术因其能够同时分辨电子的动量和能量，成为了研究量子材料电子结构的重要工具。然而，传统的 ARPES 技术受限于毫米级的光斑尺寸，往往只能对均质的完美单晶进行研究。随着高能同步辐射光源（HEPS）上纳米级 ARPES 线站的出现，科学家们得以在微纳尺度上研究电子结构的分布。然而，样品表面的复杂性和高维度的庞大数据量给数据分析带来了巨大的挑战。
近年来，无监督聚类算法在划分样品表面不同电子结构区域方面取得了一定的进展。然而，这些传统算法在区分细微的能带差异方面表现欠佳。例如，在 MoS2/BN 异质结中，由不同衬底或层数造成的 MoS2 价带劈裂，传统算法难以有效区分。这些细微的能带变化往往蕴含着丰富的物理机制，是研究人员重点关注的信息。
MSCA 算法：多阶段聚类，精细解析
为了解决上述问题，中科院高能物理研究所与南京理工大学的科研人员联合开发了一种多阶段无监督聚类算法（MSCA）。该算法的核心思想在于，通过多阶段的聚类分析，捕捉动量空间中特定的能带信息，从而提高聚类精度。
MSCA 算法的分析流程分为三个阶段：首先，在不同的能量-动量窗口中进行实空间 K-means 聚类；然后，将实空间聚类结果作为第二轮动量空间 K-means 聚类的输入。通过这种方式，MSCA 能够捕获在实空间表现出不均匀的能量-动量窗口，从而准确区分具有细微差异的单/多层以及不同衬底的 MoS2。
精度提升 20%，性能指标全面优化
为了评估 MSCA 算法的性能，研究人员使用了 Accuracy、Recall、Precision 和 F1score 等指标，并与传统的 K-means 算法进行了对比。研究结果表明，MSCA 算法在 Macro Accuracy、Precision、Recall 和 F1 Score 等指标上分别提升了 2%、6%、20% 和 18%。
更重要的是，MSCA 算法在每一类MoS2 的 Precision 和 Recall 数值上都更加平衡，表明其在正确识别正实例的同时，能够有效避免将负实例错误分类为正实例。这种平衡的性能通常被认为是算法的理想特征。
案例分析：MoS2/BN 异质结的精细解析
研究人员将 MSCA 算法应用于 MoS2/BN/Au 样品，成功区分了不同衬底或层数的 MoS2。传统的 K-means 算法只能区分出具有较大差异的 Au、BN 和 MoS2 三种材料，而 MSCA 算法则能够清晰地划分出基于不同衬底的单层 MoS2 和多层 MoS2，以及基于 Au 衬底的 MoS2。
结论：
这项研究成果不仅证明了 MSCA 算法在光电子能谱数据解析方面的强大能力，也为未来量子材料研究提供了新的工具。MSCA 算法作为一种高效的数据处理方法，能够显著提高聚类的准确性和识别限度，为科学家们更深入地理解材料的微观结构和性质提供了有力支持。
未来，研究团队将继续优化 MSCA 算法，并将其应用于更广泛的材料研究领域，以期在量子材料、能源材料等领域取得更多突破。
参考文献：
- 该研究以「Automatic extraction of fine structural information in angle-resolved photoemission spectroscopy by multi-stage clustering algorithm」为题，于 2024 年 12月 6 日发布在《Communications Physics》。
（本文由资深新闻记者和编辑撰写，力求提供准确、深入、客观的报道，并严格遵循新闻专业规范。）
Views: 0