Novel Machine Learning Tools for data treatment in STM Break-Junction Technique

Abstract

L'estudi de les propietats electròniques de molècules individuals s'ha convertit en una realitat gràcies a l'ús de tècniques avançades. Aquestes tècniques, anomenades Break-Junction, permeten la creació d’unions unimoleculars posant en contacte una molècula individual entre dos elèctrodes amb una precisió sub-nanomètrica. Aquest estudi se centra en la tècnica de l’Scanning Tunneling Microscopy Break-Junction (STM-BJ), que permet la formació de milers d’unions unimoleculars apropant i retraient repetidament dos elèctrodes (punta contra superfície), generant corbes de corrent que relacionen la conductància amb el desplaçament. Per comprendre millor aquest tipus de mesures, s'utilitzen comunament histogrames 1D i 2D els quals acumulen milers de corbes per caracteritzar les evolucions d’aquestes unions. Tradicionalment, aquests histogrames s'han construït utilitzant criteris de selecció decidits pels investigadors, cosa que sovint pot conduir a interpretacions esbiaixades i molt limitades en la identificació de patrons complexos en la racionalització de resultats. Ell nostre estudi proposa noves metodologies per classificar corbes de corrent d’unions moleculars, proporcionant uns detalls que podrien passar desapercebuts per l'anàlisi humà. Aquestes metodologies es basen en algoritmes d'Aprenentatge Automàtic, un subdomini de la Intel·ligència Artificial, que permeten als ordinadors entendre i identificar patrons en grans conjunts de dades i fer prediccions. Així doncs, s'ha utilitzat l'Aprenentatge No Supervisat, que organitza dades no classificades en grups basats en variables pre-definides. Per tal d’obtenir el millor resultat, s'han provat diversos tipus d'algoritmes, amb diferents nivells de classificació, de mes a menys flexibles. En aquest projecte, hem desenvolupat un programa d'Aprenentatge Automàtic basat en llenguatge Python amb l'objectiu de revolucionar la interpretació dels conjunts de dades d’unions unimoleculars. El nostre avanç millorarà la racionalització de la fenomenologia unimolecular, facilitant una comprensió més precisa de les dades experimentals.