.png){kind=icon}
返回
Automatic clustering of single-molecule break junction data through task-oriented representation learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s12598-024-03089-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
聚类是解析断口结实验中单分子电荷传输特性的关键数据分析方法。然而，鉴于数据的高维性和变异性，特征提取仍是高效聚类方法发展的瓶颈。为此，过去二十年的广泛研究集中于断口结电导数据的特征工程和降维。然而，在缺乏专家知识的情况下提取高度相关的特征仍是一项未解决的挑战。为解决此问题，我们提出了一种由任务导向表示学习驱动的深度聚类方法（CTRL），其中聚类模块作为表示学习（RepL）模块的指导。首先，我们通过神经架构搜索（NAS）确定最优自动编码器（AE）结构，以确保高效的RepL；其次，RepL过程通过结合AE重建损失与聚类目标的联合训练策略进行引导。结果表明，CTRL在生成数据和实验数据上均取得了优异的性能。对RepL步骤的进一步检查显示，联合训练比无约束的AE或传统降维方法更稳健地学习到更紧凑的特征，显著降低了误聚类的可能性。我们的方法为分析单分子断口结数据提供了一种通用的端到端自动聚类解决方案。
Keyword:
Single-molecule conductance
Break junction
Deep clustering
Representation learning
Neural architecture search
期刊
IF:
11
论文数:
5.2K
被引数:
1.7W
机构
暂无机构信息
引用论文
分享收藏Machine-learning-aided Au-based single-atom alloy catalysts discovery for electrochemical NO reduction reaction to NH3用于电化学NO还原为NH3的机器学习辅助的基于Au的单原子合金催化剂的发现.png)
RARE METALS
RARE METALSIF11
PREAI
分享收藏
查看更多内容