Semantic segmentation of ARPES spectra for electronic dispersion visualization
DOI (Low Temperature Physics):
https://doi.org/10.1063/10.0042266Ключові слова:
U-Net, ARPES, DeepLabV3, electronic dispersionАнотація
Розглянуто задачу візуалізації електронної дисперсії, для спектрів отриманих методом фотоемісійної спектроскопії з кутовим розділенням, як задачу семантичної сегментації. Мета полягала у віднесенні кожного пікселя зображення до одного з двох можливих класів. Перший клас — пікселі електронної дисперсії, а інший — «фон» (уширення, спотворення дисперсії внаслідок внутрішніх та зовнішніх факторів, шуми та вплив апаратної функції). Для розв’язання цієї задачі використовувались моделі U-Net та DeepLABV3. Обидві моделі були використані для обробки експериментально отриманих спектрів та показали ефективність у візуалізації електронної дисперсії без необхідності додаткового контролю та попередньої обробки. Мережа DeepLab ефективно визначає слабкі зони, але схильна до додавання артефактів та має проблеми зі спектрами з високим рівнем шумів. На противагу цьому, U-Net менш ефективна у виявленні слабких зон, але більш стійка до шумів та не додає артефакти.
Посилання
J. A. Sobota, Y. He, and Z.-X. Shen, Rev. Mod. Phys. 93, 025006 (2021). https://doi.org/10.1103/RevModPhys.93.025006
P. A. Casey, J. D. Koralek, N. C. Plumb, D. S. Dessau, and P. Anderson, Nat. Phys. 4, 210 (2008). https://doi.org/10.1038/nphys833
T. Valla, A. V. Fedorov, P. D. Johnson, B. O. Wells, S. L. Hulbert, Q. Li, G. D. Gu, and N. Koshizuka, Science 285, 2110 (1999). https://doi.org/10.1126/science.285.5436.2110
R. C. Gonzalez and R. E. Woods, Digital Image Processing (Prentice Hall, Upper Saddle River, N. J., 2008).
Y. He, Y. Wang, and Z.-X. Shen, Rev. Sci. Instrum. 88, 073903 (2017). https://doi.org/10.1063/1.4993919
P. Zhang, P. Richard, T. Qian, Y.-M. Xu, X. Dai, and H. Ding, Rev. Sci. Instrum. 82, 043712 (2011). https://doi.org/10.1063/1.3585113
F. Restrepo, J. Zhao, and U. Chatterjee, Rev. Sci. Instrum. 93, 065106 (2022). https://doi.org/10.1063/5.0090051
H. Peng, X. Gao, Y. He, Y. Li, Y. Ji, C. Liu, S. A. Ekahana, D. Pei, Z. Liu, Z. Shen et al, Rev. Sci. Instrum. 91, 033905 (2020). https://doi.org/10.1063/1.5132586
M. Imamura and K. Takahashi, Sci. Rep. 14, 24200 (2024). https://doi.org/10.1038/s41598-024-73795-w
R. P. Xian, V. Stimper, M. Zacharias, M. Dendzik, S. Dong, S. Beaulieu, B. SchÃlkopf, M. Wolf, L. Rettig, C. Carbogno et al, Nat. Comput. Sci. 3, 101 (2023). https://doi.org/10.1038/s43588-022-00382-2
L. Bian, C. Liu, Z. Zhang, Y. Huang, X. Pan, Y. Zhang, J. Wang, P. Dudin, J. Avila, Z. Chen et al, Commun. Phys. 7, 398 (2024). https://doi.org/10.1038/s42005-024-01878-1
Y. Pustovit, Y. Lytveniuk, and Y. Limarev, Ukr. J. Phys. 70, 550 (2025). https://doi.org/10.15407/ujpe70.8.550
O. Oktay, J. Schlemper, L. Folgoc, M. Lee, M. Heinrich, K. Misawa, K. Mori, S. McDonagh, N. Hammerla, B. Kainz et al, “Attention U-Net: Learning where to look for the pancreas,” arXiv:1804.03999 (2018).
L.-C. Chen, G. Papandreou, F. Schroff, and H. Adam, “Rethinking atrous convolution for semantic image segmentation,” arXiv:1706.05587 (2017).
A. G. Roy, N. Navab, and C. Wachinger, IEEE Trans. Med. Imaging 38, 540 (2019). https://doi.org/10.1109/TMI.2018.2867261
A. A. Kordyuk, Low Temp. Phys. 40, 286 (2014) [Fiz. Nizk. Temp. 40, 375 (2014)]. https://doi.org/10.1063/1.4871745
A. A. Abrikosov, Fundamentals of the Theory of Metals (Elsevier, Amsterdam, 1988).
T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar, IEEE Trans. Pattern Anal. Mach. Intell., early access (2018).
B. Hu, Y. Kalfoglou, H. Alani, D. Dupplaw, P. Lewis, and N. Shadbolt, in “Managing Knowledge in a World of Networks,” edited by S. Staab and V. Svátek (Springer, Berlin, Heidelberg, 2006), p. 166. ISBN 978-3-540-46365-8.
Y. V. Pustovit, and A. A. Kordyuk, Low Temp. Phys. 45, 1172 (2019) [Fiz. Nizk. Temp. 45, 1381 (2019)]. https://doi.org/10.1063/10.0000123
S. M. Agústsson, M. A. Haque, T. T. Truong, M. Bianchi, N. Klyuchnikov, D. Mottin, P. Karras, and P. Hofmann, Mach. Learn. Sci. Technol. 6, 015019 (2025). https://doi.org/10.1088/2632-2153/ada8f2
M. Bianchi, D. Guan, S. Bao, J. Mi, B. B. Iversen, P. D. C. King, and P. Hofmann, Nat. Commun. 1, 128 (2010). https://doi.org/10.1038/ncomms1131
M. Bianchi, R. C. Hatch, Z. Li, P. Hofmann, F. Song, J. Mi, B. B. Iversen, Z. M. Abd El-Fattah, P. Löptien, L. Zhou et al, ACS Nano 6, 7009 (2012). https://doi.org/10.1021/nn3021822
M. Bianchi, S. Acharya, F. Dirnberger, J. Klein, D. Pashov, K. Mosina, Z. Sofer, A. N. Rudenko, M. I. Katsnelson, M. van Schilfgaarde et al, Phys. Rev. B 107, 235107 (2023). https://doi.org/10.1103/PhysRevB.107.235107
M. Dendzik, A. Bruix, M. Michiardi, A. S. Ngankeu, M. Bianchi, J. A. Miwa, B. Hammer, P. Hofmann, and C. E. Sanders, Phys. Rev. B 96, 235440 (2017). https://doi.org/10.1103/PhysRevB.96.235440
