Speaker
Dr
力源 伍
Description
第四代同步辐射光源的问世将催生海量高维角分辨光电子能谱数据，使得手动提取能带色散关系成为电子结构分析中的主要瓶颈。尽管深度学习技术为实现自动化提供了可能，但其“黑箱”特性及对大规模标记训练数据的严重依赖，往往限制了其在数据稀缺场景下的可解释性与适用性。为此，本文提出一种基于马尔可夫随机场（MRF）的鲁棒且可扩展的物理信息融合框架，用于电子能带结构的自动化重构。该方法通过衔接理想密度泛函理论（DFT）先验知识与含噪实验观测，构建了一条兼顾物理一致性与计算效率的多阶段处理流程。核心方法学创新包括：1）双路径校准模块，利用二阶导数谱图实现精确的动量对齐与自动化的能量偏移优化，确保了理论与实验的稳健耦合；2）基于k-d树的正则化策略，有效抑制实验噪声并消除了传统图像处理中常见的边界伪影。我们在Kagome金属RbTi₃Bi₅及Au(111)表面上验证了该框架。结果表明，该模型能从复杂的光谱中成功解析出包括高速狄拉克锥、微弱的II型狄拉克点及平带在内的复杂电子特征。与纯粹的数据驱动模型不同，这一基于MRF的推理引擎具有高度的物理可解释性，且在小样本条件下依然保持高效。该可靠流程为高通量分析奠定了基础，并为下一代同步辐射光源实现“自驱动”ARPES实验铺平了道路。
Primary author
Dr
力源 伍
