131 1300 0010
近十年來，掃描探針、電子顯微鏡和光學顯微鏡的光譜成像方法發展迅速，導致了大型多維數據集的興起。在許多情況下，將高光譜數據降維到較低維度的材料特征參數，要依賴功能擬合，雖然擬合函數的近似形式是已知的，但函數的參數卻是需要人為確定的。然而，通過迭代方法實現噪聲數據的功能擬合（如最小二乘梯度下降），常常會出現虛假結果。
來自美國橡樹林國家實驗室的Stephen Jesse領導的團隊，提出了一種新的方法，可用來逆向解決問題，可從基于光譜成像數據的最小二乘擬合中提取物理模型參數，并能通過深度學習測定先驗參數而增強提取能力。他們將這種方法應用于從壓電響應力顯微鏡數據中提取簡諧振子參數，并證明了通過結合使用深度神經網絡和最小二乘擬合，可以探測比傳統方法低一個數量級的信號響應，接近激發信號的熱限制。作為模型系統，他們演示了從層狀鐵電化合物的帶激發壓電響應力顯微鏡成像中，提取阻尼簡諧振子參數。這種使用深度神經網絡的方法是通用的，并且在正向和反向情況下都顯示出它們作為函數近似器的效用，且它們在嘈雜的環境中工作良好。
