预训练的深度学习模型,用于压电迟滞环SHO拟合的快速分析 近十年来,基于带激励压电响应力的开关光谱(BEPS)被用于表征具有纳米级分辨率的材料的铁电开关和动态机电响应。 该技术的关键输出之一是压电磁滞回线的高光谱图像,其中在每个像素位置都有一个或多个磁滞回线。 正确分析这些实验数据所需的挑战和奉献精神扼制了BEPS的影响和广泛使用。 为了简化从这些数据集中提取信息的方法,通常的方法是将压电磁滞回线拟合到经验函数,以对回线进行参数化。 该技术有几个缺点: 它占用大量计算资源,需要24小时以上才能在具有并行处理功能的单个工作站上处理单个实验。 它高度依赖于先前的估算,而这些估算难以计算以确保优化接近全局最小值。 它无法适应在压电磁滞回线中观察到的一些复杂特征。 在另一种方法中,研究人员已应用机器学习算法(包括主成分分析,聚类算法和非负矩阵分解)来统计地解决此问题。 这些算法受到线性约束,计