Convergence analysis of connection center evolution and faster clustering

Lee, Jaemin Sungkyunkwan University 2022 국내석사

군집분석에서는 바라보는 관점에 따라 동일 데이터에 대해서 여러 가능한 군집해가 존재할 수 있다. 미시적 관점에서 다수의 작은 군집이 거시적 관점에서 소수의 큰 군집이 될 수 있다. 따라서 군집 방법은 다양한 관점의 군집해를 제공하여 사용자가 분석 목적에 맞게 어느 한 군집 결과를 선택할 수 있도록 하는 것이 바람직하다. 2020년 Geng과 Tang에 의해 개발된 CCE (Connection Center Evolution) 군집 방법은 작은 군집의 중심들을 병합하면서 점차 큰 군집을 만들어가는 방식으로 다양한 군집해를 산출할 수 있게 한다. 하지만 CCE 알고리즘의 수렴에 대한 이론적 근거가 제시되지 않았고, 큰 군집 사이의 병합이 매우 느리게 일어나는 단점이 존재한다. 이에 본 연구에서는 에르고딕 마르코프 연쇄(Ergodic Markov chain)를 활용하여 CCE의 수렴에 대한 이론적인 근거를 제시하고, 이를 바탕으로 큰 군집형태로 더 빠르게 수렴하는 개선된 CCE 알고리즘을 제안한다. 제안하는 알고리즘의 빠른 수렴을 수학적으로 증명하고, 여러 가상 데이터 및 실제 데이터를 활용하여 실험적으로 확인한다. Clustering is a subjective task, that is, several different results can be obtained from a single clustering hierarchy, depending on the observation scale. A local view of the data may necessitate more clusters, whereas a global view requires fewer clusters. It is, therefore, important to provide users with an appropriate clustering hierarchy and let them select the final clustering result based on their own observation scale. Thus, a new clustering method, named connection center evolution (CCE), was recently developed by Geng and Tang (2020). CCE provides gradual clustering results by iteratively merging cluster centers. However, theoretical evidence for its convergence is missing, and the center evolution requires a connectivity matrix of a significantly higher order as iterations proceed, resulting in higher computational costs. Accordingly, this study presents a convergence analysis of CCE using the properties of ergodic Markov chains and propose a faster algorithm using the enhanced connectivity graph derived from the convergence analysis. Empirical evidence from numerical experiments and theoretical proofs demonstrate the advantages of the proposed method.

Perceptual switch for gaze interaction

Lee, Joo-yeon Graduate School, Yonsei University 2018 국내석사

눈 움직임을 사용하여 컴퓨터가 사람의 시선을 파악하고 사용자의 인터렉션을 돕는 시선 인터렉션(gaze interaction)은 손이나 목소리를 사용하지 못하는 환경에서 유용하지만, 관찰을 하거나 선택을 하는 행동을 쉽게 구분하지 못해 마우스 클릭과 같이 사용자가 선택하는 행동을 통제해야하는 환경에서 쉽게 활용이 되지 못했다. 본 연구에서는 사용자가 명시적인 행위 없이도 예/아니오 혹은 켬/끔과 같이 이진 의사결정 여부를 눈 움직임으로 쉽고 자연스럽게 입력할 수 있는 직관적인 인터렉션 방법을 제안한다. 착시현상을 일으키는 네커큐브(Necker cube)를 사용하여사용자인터페이스(User Interface)를만들고아이트래커(eye tracker)를 사용해 사용자가 착시 UI를 응시 후 인지를 전환하면 전환 시에 나타나는 눈움직임 특징을 사용하여 사용자의 의사결정 여부를 파악한다. 본 연구에서 제안하는 네커큐브 착시UI는 기존의 아이트래커를 사용한 시선 인터렉션의 단점을 개선 할 수 있을 것이다. As people often say “the eyes are the windows to the soul,” the eyes of a person betray a lot of cognitive information processed inside of one’s brain. By analyzing eye movements, not only can we predict what and where one pays attention, but also uncover the underlying decision-making process. We may even distinguish whether a person gazes over something with a particular purpose or not. In this study, we propose a gaze selection user interface that predicts binary decisions of a user when he or she is looking at a bi- stable figure called Necker cube as a visual trigger. The final goal of this study is to build a gaze selection tool with an eye-tracking interface at which a user can freely look uninterrupted, and select any bi-stable buttons at will without explicit actions taken. This interface will improve the current fixation-based gaze interaction systems which can not discern selection from navigation and selection without the fixation thresholds.

Monotonicity-incorporative neural network training for response surface methodology

Lee, Joohyung Sungkyunkwan University 2023 국내석사

In Response Surface Methodology (RSM), quadratic polynomial regression was typically used to approximate the relationship between input factors and one or more output responses. As a large amount of data becomes available from a system of interest, recent research works have attempted to employ neural network models to better estimate response surfaces. However, our intensive literature review found that none of those considered that training neural networks can go against the system’s inherent nature, even monotonicity between input and output, because the loss function of a neural network has several different local minima. This research accordingly claims that, in RSM, a care must be taken into account when training neural networks, and proposes the methods of training monotonicity-incorporative neural networks. Based on real-world and synthetic datasets, the significance of ensuring monotonicity is demonstrated when determining an optimal setting of input factors from a neural network surface. 반응표면법에서는 설명 변수와 반응 변수 사이의 관계를 추정하기 위해 일반적으로 2차 다항 회귀모형이 사용되어 왔다. 대용량 데이터가 수집되고 그것을 모델에 적용할 수 있는 컴퓨팅 자원이 이용가능해지면서, 최근 반응 표면법을 이용한 연구들은 설명 변수와 반응 변수 간 관계에 대해 더 나은 추정을 위해 간단한 이차 다항 회귀모형 대신 인공 신경망을 예측 모형으로 사용해왔다. 그러나 이러한 연구 중 그 어떠한 것도 인공 신경망을 학습시키는 것은 단조성과 같은 시스템의 본질을 훼손시킨다는 것을 지적하지 않는다. 또한, 손실 함수의 수 많은 국소 최소값 때문에 단순히 인공 신경망을 학습시킬 시 설명 변수와 출력 변수 간 단조성을 위반하는 다른 국소 최소값에 수렴하게 된다. 따라서, 본 연구에서는 반응 표면법에서 신경망이 사용될 때 단조성을 반영할 수 있는 인공 신경망 학습 방법을 제안한다. 인공 신경망으로부터 최적 인자를 도출하고 결정할 때, 가상 및 실제 데이터를 이용하여 단조성 보장의 중요성과 제안 방법의 효과에 대해 실험적으로 확인한다.

Area under ROC curve as a learning objective for balanced and imbalanced data classification : development of new sphere classifiers

Park, Yeontark Sungkyunkwan University 2022 국내박사

Imbalanced data classification is a crucial task in the field of machine learning because abnormality, which is generally a point of interest, appears less frequently than normality in real-world systems. Learning classifiers from imbalanced data can be challenging due to the objective function of convectional classifiers being designed only for a balanced class distribution. To address this issue, this dissertation proposes new sphere-based classification methods, where the objective function is matched to imbalanced classification evaluation measure. The proposed methods, referred to as a learning objective controllable sphere-based classifier (LOCS), and a parameter-free sphere classifier (PFSC), are both designed to maximize the area under the receiver operating characteristic curve (AUC ROC) for performance evaluation of imbalanced learning. The AUC learning objective was adopted due to its tendency to approximate the accuracy as class distribution becomes balanced. Therefore, the proposed methods LOCS and PFSC appropriately perform a classification task for both imbalanced and balanced data. The LOCS constructs a classification model through single training, whereas existing cost-sensitive learning and resampling methods generally attempt various different hyperparameter settings. Additionally, the learning objective can be easily modified within the LOCS for each of the application domains, by setting different importance levels for positive and negative classes, respectively. Meanwhile, the second method PFSC proposes the use of the AUC for the construction and expansion of spheres for imbalanced data. Furthermore, it does not require any hyperparameters because spheres that are based on the AUC can consider both majority and minority in a balanced manner. Extensive numerical experiments based on real datasets from UCI Machine Learning Repository, with several investigational settings demonstrating the effectiveness and intended strengths of the proposed methods. 일반적인 기계 학습 기법들은 학습 데이터의 클래스가 비슷한 비율로 구성되어 있다고 가정하고 학습한다. 그러나 실 세계에서 얻는 대부분 데이터들은 데이터의 클래스 분포가 불균형이며, 일반적으로 우리의 관심은 소수 클래스에 있다. 이런 경우 소수 클래스 데이터들은 다수 클래스 데이터보다 잘못 분류될 가능성이 높다. 이런 불균형 분류 문제를 해결하기 위해 본 논문은 목적 함수를 불균형 분류 지표와 일치시킨 새로운 구 형태의 분류기를 제안한다. 제안 방법은 불균형 분류 모델 성능 평가 지표인 area under ROC curve (AUC)를 최대화 하도록 설계된 LOCS (a learning objective controllable sphere-based classifier)와 PFSC (a parameter-free sphere classifier) 이다. 목적 함수인 AUC는 데이터 클래스가 균형 분포로 변화할수록 정확도로 근사하는 특징을 가지고 있다. 따라서 제안 방법 LOCS와 PFSC는 균형 또는 불균형 데이터의 구분없이 분류 작업을 수행할 수 있다. 기존의 비용민감학습 또는 재표본화 기법들은 일반적으로 다양한 비용 또는 초매개변수의 세팅을 위해 여러번의 학습이 필요하지만, LOCS는 한 번의 학습만으로 분류 모델을 생성할 수 있다. 부가적으로, LOCS 내의 목적 함수 AUC를 간단히 변형하여 소수 또는 다수 클래스에 대해 실용 영역의 쓰임새에 따라 서로 다른 중요도를 부여할 수 있다. 두번째 제안 방법 PFSC는 불균형 분류를 위해 구의 건설과 확장의 기준으로 AUC를 도입한다. PFSC가 구의 건설 시 AUC를 기준으로 삼는 것은, 다수 클래스와 소수 클래스가 균형 있게 고려되기에, 매개변수가 필요하지 않다. UCI데이터셋에 기반한 광범위한 성능 실험이 수행되었으며, 제안 방법들에 대한 각각의 실험은 강건함과 효과를 증명해준다.

Temporal peak-managing and clustering system for sustainable learning

Han, Minseok Sungkyunkwan University 2023 국내박사

실제 여러 산업현장에서 수집되는 데이터는 시간의 흐름에 따라 변화하는 속성을 가지기 때문에, 어느 한 시점에서 학습된 예측모형은 학습시점으로부터 멀어질수록 예측 성능이 저하되기 마련이다. 이러한 데이터를 학습에 활용하기 위해선, 그 구조 변화를 지속적으로 감지해야할 뿐만 아니라 시간의 흐름에 따라 추적하고 관리할 필요가 있다. 한편, 군집 별 예측모형을 학습하여 통합하는 것은 단일 모형에 비해 더 나은 예측력을 보장한다. 따라서, 데이터 스트림 내에 존재하는 군집들의 구조 변화를 실시간으로 추적하여 관리하고, 각 군집정보를 기반으로 여러 예측모형을 학습시켜 통합하는 방식은 산업데이터를 지속적인 예측모형 학습에 활용하고자 할 때 사용될 수 있는 훌륭한 방법이라고 할 수 있다. 본 연구자는 실제 산업현장에 범용적으로 적용될 수 있는 군집기반 예측모형 학습기법을 탄생시키고자 한다. 데이터의 밀도 정보를 활용하여 데이터 스트림내에 존재하는 군집 집단을 직관적으로 구조화하며 그 변화를 추적할 수 있는 기법을 제안하고, 군집별 예측모형의 학습을 관리하는 동시에, 예측의 분업화를 통해 단일 예측모형보다 더 나은 정확도를 보장할 수 있는 군집기반 학습 프레임웍을 제시하는 것이 연구의 목표이다. 먼저 정적인 데이터에 대해, 존재하는 군집 간의 상호관계 및 군집 내부의 구조에 관한 정보를 직관적으로 구조화할 수 있는 군집 기법을 개발하고자 한다. 상대적 고밀도를 갖는 객체를 중심으로 전체 데이터의 구조를 재구성하고, 그것을 토대로 군집을 정의할 수 있는 알고리즘을 제시한다. 이후 동적인 데이터 스트림에 대해, 시간의 흐름에 따른 고밀도의 객체들의 생성, 소멸, 병합, 분리를 탐지하고 지속적으로 추적할 수 있는 방법을 고안한다. 정적인 데이터를 대상으로 개발된 군집 기법과 더불어 동적인 데이터 스트림에서 활용될 고밀도 객체 추적기법을 결합하여 군집별 예측모형의 학습을 관리하도록 한다. 이러한 군집기반 학습 프레임웍은 데이터 스트림에서 단일 모형보다 더 나은 정확도를 보장하며, 데이터 수집환경의 변동 및 이상상황에 더 유연하게 대응할 수 있을 것으로 기대한다. As machine learning continues to drive substantial improvements in manufacturing industries, one ongoing challenge is the temporal variability of data collected from industrial sites, which leads to performance degradation of the predictive models over time. This study addresses this issue by proposing a novel sustainable learning framework designed to monitor changes in data distribution and incorporate them into retraining decisions. The foundation of the proposed framework is a novel clustering method named ``Clustering by Peak Merging (CPM)''. The CPM method is designed to overcome the ``multi-peak problem'' that hound density peak clustering techniques, wherein multiple density peaks exist within a single cluster, thereby complicating the formation of discrete and meaningful clusters. CPM tackles this issue by identifying density valleys that mark the intersection between adjacent density peaks. Through this approach, the CPM algorithm generates an intuitive graph-based representation of clusters that accurately reflects the underlying structure within and between clusters. Building upon the CPM algorithm, the study introduces a Temporal Peak Management and Clustering System. This system uses the graph-based cluster representation generated by CPM to track changes in data distribution over time. It constantly evaluates the need for retraining local prediction models by detecting structural changes within each cluster, using a measurement of dissimilarity between clusters at different time stamps. The proposed sustainable learning framework not only adapts to evolving data patterns to maintain accurate and reliable predictions but also minimizes the resource-intensive traditional approach of complete model retraining. The framework was validated by applying it to an excimer laser annealing (ELA) process used in display manufacturing, which typically encounters challenges in maintaining the accuracy and usability of predictive models due to continuous changes in operation data stream. The study contributes to the field of clustering techniques by presenting a novel clustering algorithm and its application in a temporal management system. The aim is to effectively manage dynamic data variations, ensure the long-term validity of the predictive models, and enhance the efficiency of prediction processes in diverse applications. This dissertation is divided into five chapters, starting with a comprehensive overview of the density peak clustering technique, followed by a detailed explanation of the novel CPM algorithm. The subsequent chapter introduces the Temporal Peak Management and Clustering System, detailing its alignment with the research objective. The final chapter concludes the dissertation and provides directions for future research. This research serves as a promising solution for managing time-dependent data variations in manufacturing industries, thereby paving the way towards more reliable and efficient manufacturing processes.

Enhancing deep-learning-as-a-service with optimized architectures : a framework focused on service-level-objectives

Eom, Soosang Sungkyunkwan University 2024 국내석사

As artificial intelligence technology advances, the complexity of AI models increases, and the computing resources required by these models continue to grow. This results in cost issues when scaling AI services. Therefore, how to efficiently serve AI models has become a critically important problem, leading to research from various perspectives. Among various studies, research on model inference optimization applicable in on-premises environments has been gaining attention. Model inference optimization focuses on minimizing the latency of AI model services and maximizing the performance of models deployed on servers. To achieve this, it aims to determine the most efficient settings for various inference server parameters (such as max batch size, max queue delay time, model instances, dynamic inference, etc.). By optimally configuring the model service architecture, it is possible to enhance the performance of model inference services using the same models and hardware. However, there are limitations in configuring the optimal service architecture due to the long exploration time required. Moreover, solely utilizing quality metrics as the criteria for judging service architecture may lead to the problem of absence of objective criteria for selecting optimal configurations. Therefore, this study proposes a new integrated metric for determining the optimal service architecture and introduces a service architecture search framework to minimize exploration costs. In this paper, experiments are conducted in real-world service environments, demonstrating the effectiveness of the proposed integrated metric and framework in improving performance.

Gently sloped and extended classification margin for overconfidence relaxation of out-of-distribution samples

Kim, Taewook Sungkyunkwan University 2024 국내석사

Recently, machine learning models are expected to be capable of detecting out-of-distribution (OOD) samples for safe use. However, the existing OOD detection methods have limitations. Post-hoc calibration techniques used for OOD detection during the inference-phase suffer from slow inference and low OOD detection accuracy because pretrained classifiers were not originally designed for this task. Training phase methods require auxiliary data, entail slow training, and result in a decrease in classification accuracy. To address these issues, this paper proposes jointly employing discriminative representation learning through angular margin loss and weight regularization during neural network training. Angular margin loss extends the classification margin, whereas weight regularization ensures a gently sloped margin in the learned embedding space. By constructing a classification margin that is both gently sloped and enlarged, the proposed approach mitigates the overconfidence of OOD samples and overcomes the shortcomings of previous methods. The experimental results demonstrate that the proposed method outperforms state-of-the-art detectors in detecting OOD samples without any side effects. 신경망을 활용한 분류 모형의 학습에서는 분류 성능뿐만 아니라, 학습에 사용된 데이터의 분포에 해당하지 않는 out-of-distribution(OOD) 개체를 탐지할 수 있는 성능 또한 요구되고 있다. 하지만, 기존의 OOD 탐지 기법들은 다음과 같은 한계를 보인다. 추론 단계 기법들은 다양한 사후 보정 기법들을 제안하지만, 사전 학습된 분류기가 OOD 개체 탐지 목적으로 설계되지 않았다는 한계점에 의해 아쉬운 탐지 성능을 보이며 추론 소요 시간에 지연이 발생한다는 부작용이 존재한다. 또한, 학습 단계 기법들은 보조 OOD 데이터를 학습에 사용하거나 분류 성능의 저하가 종종 관찰된다. 이러한 한계점들을 극복하기 위해 본 연구에서는 각도 마진 손실 함수와 가중치 정규화로 구성된 손실 함수 기반 학습을 통해 인공신경망 분류기의 차별적 특성 학습을 제안한다. 각각의 손실 함수는 특성 공간에서 분류 마진을 확장하고 예측 신뢰도 경사를 완만하게 형성하는 효과를 갖는다. 본 연구의 다양한 실험을 통해 제안 방법이 기존 기법들과 다르게 어떠한 부작용 없이 효과적으로 OOD 개체를 탐지할 수 있음을 보인다.

Decision boundary-aware training of neural networks for imbalanced data classification

Yun, Jaesub Sungkyunkwan University 2023 국내박사

The problem of class imbalance in real-world datasets is a well-known challenge in machine learning and classification. Synthetic data generation methods have been used to address this issue, but they often fail to provide informative samples for proper model training. This dissertation presents two novel approaches to tackle the class imbalance problem. The first approach presents an end-to-end oversampling-classification approach, referred to as the imbalanced data-classifying generative adversarial network (ImbGAN). ImbGAN has a classifier-embedded structure within a GAN and consists of five components: a generator, a discriminator, a classifier, storage for misclassified minority class data, and storage for artificial minority class data. By iterative interaction with the embedded classifier, the first two components generate artificial minority class instances that are similar to minority class instances misclassified by the classifier. The misclassified and artificial minority class instances are stored in separate components and are updated as iterations proceed. The proposed method obtains the final classification model from a single learning process, unlike most artificial data generation methods for imbalanced data classification, which go through an additional process for training classifiers after artificial data generation. Numerical experiments based on tabular, image, and text datasets confirm that the proposed method outperforms well-known synthetic sampling methods. The second approach proposes a new synthetic data generation method that combines adversarial sample generation with a triplet loss method. This approach focuses on increasing the diversity in the minority class while preserving the integrity of the decision boundary. The proposed method optimizes a loss function that reduces triplet loss, which is equivalent to maximizing the area under the receiver operating characteristic curve under specific conditions. We present a model training approach to further improve the generalization of the model to minority classes by providing a diverse set of synthetic samples provided by triplet adversarial sampling.The method is evaluated on several imbalanced benchmark tasks and compared to state-of-the-art techniques, demonstrating its effectiveness in delivering even better performance. Overall, the proposed methods in this dissertation demonstrate the new and effective solutions for addressing the class imbalance problem in machine learning and classification. The methods can be applied to various domains, and they provide new and promising directions for future research in this area. 클래스 불균형 문제는 실제 데이터 상황에서 빈번하게 접할 수 있는 문제이다. 이 문제를 해결하기 위해 가상 데이터 생성 방법이 사용되어 왔지만, 적절한 모델 훈련을 위한 유익한 샘플을 제공하지 못하는 경우가 많다. 이 논문에서는 클래스 불균형 문제를 해결하기 위한 두가지 새로운 방법론을 제시한다. 첫번째 방법론은 불균형 데이터 분류를 위한 적대적 생성 신경망(ImbGAN) 이라고 하는 가상데이터 생성, 모델 학습 방법을 제시한다. ImbGAN은 GAN 프레임워크 내에 분류기가 내장된 구조를 가지며 생성기, 판별기, 분류기, 잘못 분류된 소수 클래스 데이터를 위한 스토리지, 인공 소수 클래스 데이터를 위한 스토리지의 다섯 가지 구성 요소로 이루어져 있다. 처음 두 구성 요소(판별기, 분류기)는 내장된 분류기와 반복적으로 상호 작용하여 분류기에 의해 잘못 분류된 소수 클래스 인스턴스와 유사한 인공 소수 클래스 인스턴스를 생성한다. 잘못 분류된 인공 소수 클래스 인스턴스와 인공 소수 클래스 인스턴스는 별도의 구성 요소에 저장되며 반복이 진행됨에 따라 업데이트된다. 제안하는 방법은 대부분의 불균형 데이터 분류를 위한 인공 데이터 생성 방법이 인공 데이터 생성 후 분류기 학습을 위한 추가 과정을 거치는 것과 달리, 단일 학습 과정으로 최종 분류 모델을 얻는다. 표, 이미지, 텍스트 데이터 세트를 기반으로 한 실험을 통해 제안된 방법이 잘 알려진 가상데이터 생성 방법보다 성능이 뛰어남을 확인하였다. 두 번째 접근 방식은 적대적 예제 생성과 삼중항 손실 방법을 결합한 새로운 합성 데이터 생성 방법을 제안한다. 이 접근 방식은 의사 결정 경계의 무결성을 유지하면서 소수 계층의 다양성을 높이는 데 중점을 둔다. 제안된 방법은 특정 조건 하에서 ROC 곡선 아래 영역을 최대화하는 것과 동일하다는 것이 입증하였다. 본 방법이 생성하는 다양한 가상 데이터를 사용하여 소수 클래스에 대한 모델의 일반화를 더욱 향상시키는 모델 훈련 접근 방식을 제시하며, 이 방법은 여러 불균형 벤치마크 작업에서 평가되고 최첨단 기술과 비교하여 더 나은 성능을 제공하는 데 효과적임을 입증하였다. 본 학위논문에서는 머신러닝 및 분류에서 클래스 불균형 문제를 해결하기 위한 새롭고 효과적인 솔루션을 보여줍니다. 이 방법은 다양한 영역에 적용될 수 있으며, 향후 이 분야의 연구에 새롭고 유망한 방향을 제시할 수 있다.

Diffraction-limited THz time-domain spectroscopy to investigate electrodynamics of correlated electron systems

Jeong Woo Han 광주과학기술원 대학원 2019 국내박사

Terahertz (THz) spectroscopy has attracted much attention because it is the unique tool for giving information regarding the carrier dynamics. Although THz spectroscopy is now stepping into a mature stage, some of technical difficulties still remain. In this dissertation, we present the limitations of current conventional THz spectroscopy technique and propose the way for overcoming these drawbacks. And, using our proposed the new-technique of THz spectroscopy, we provide the carrier dynamics of n-InAs and Tb-doped Sr2IrO4. First, we explore the propagation properties of THz light itself. We generate the THz wave on the surface of an unbiased GaAs crystal by illuminating femtosecond laser pulses with a 45° incidence angle, and investigate its propagation properties comprehensively both in a near-field and in a far-field zone by performing a knife-edge scan measurement. We observe a crossover from the Gaussian beam in the near-field zone to the anisotropic non-Gaussian beam in the far-field zone. In the near-field zone, i.e. 540 mm away from the generation point, we found that the beam simply takes a Gaussian shape of which width follows well a behavior predicted by a paraxial wave equation. In the far-field zone, on the other hand, it takes a highly anisotropic shape; whereas the beam profile maintains a Gaussian shape along the normal to the plane of incidence, it takes satellite peak structures along the direction in parallel to the plane of incidence. From the comparison with simulation results obtained by using a dipole radiation model, we demonstrated that this irregular beam pattern is attributed to the phase retardation of the transient dipoles which leads to the interference of the waves in the far-field zone. Also, we found that this consideration can be applied for a comprehensive understanding of THz beam profiles obtained in several different configurations. Second, we investigate a free space propagation of a truncated THz beam created by a partial reflection from a small-sized metallic reflector. By using THz time-domain spectroscopy, we obtain both magnitude and phase spectra of a clipped THz beam after its propagation by about 10 cm. Compared to a fully-reflected THz beam, a gradual and a large amount of the reduction are founded in magnitude spectra at the THz frequency region (0.2 – 1.3 THz) as turning into the partially reflected beam. In contrast, drastic change is observed in phase spectra. To model the free space propagation of the truncated Gaussian beam, we decompose it using a super-Gaussian and several other Gaussian beams with phase factors which is determined by the refractive index difference of an interface between the metallic reflector and the just right faced medium. From this, we could successfully reproduce the experimental results, i.e., the modulations observed in both magnitude and phase spectra. We utilize such factors to recover the magnitude and phases spectra which the large-enough sample is supposed to have, and retrieve the absolute values of optical constants reasonably well for the InAs of which size is smaller than the beam size. Third, we investigate temperature-dependent carrier dynamics of the InAs crystal by using reflection-type terahertz time-domain spectroscopy particularly with a recently developed emitter-sample hybrid structure. We successfully obtain the optical conductivity in a THz frequency of the bulk InAs whose dc-conductivity is in the range of 100-150 W-1cm-1.We find that both real and imaginary parts of optical conductivity can be fit well with the simple Drude model, and the free carrier density and the scattering rate obtained from the fitting are in good agreement with corresponding values obtained by using other techniques, such as the Hall measurement and the dc-resistivity measurement. These results clearly demonstrate that the proposed technique adopting the emitter-sample hybrid structure can be exploited to determine temperature-dependent optical constants in a reflection geometry and hence to investigate electrodynamics of bulk metallic systems. Finally, we observe that the temperature dependent carrier dynamics of the bulk iridate Sr2(Ir,Tb)O4 by means of the terahertz time-domain spectroscopy in the reflection geometry that can be corroborated by the bandstructure calculated from the tight-binding method with the adjusted strength of the Jeff=1/2 spin current hidden order. These observations suggest that the quasi-2D Dirac semimetallic phase can emerge in the tiny doped-Sr2IrO4 regardless of the doping type, providing the new knowledge for the high-temperature superconducting phase in connection with the Dirac fermion, which resembles the attempt in the cuprate physics.

Investigation of thermal transport in 2-Dimensional Van der Waals Materials

Hwiin Ju 광주과학기술원 대학원 2019 국내석사

Van der waals materials are receiving much interest due to its two dimensional nature and availability to make heterostructures and quasicrystals. TMPS3 (TM=Fe, Ni, Mn) group, which is antiferromagnetic vdW materials, can act as magnetic candidate for studying 2-dimensional physics. In this work, we measured the anisotropic thermal conductivity of TMPS3 materials with beam size dependent time-domain thermoreflectance method. Out-of-plane thermal conductivity of TMPS3 materials displays significantly low value when compared to graphene and TMD, and the thermal conductivity increased in the order of TMPS3, TMD and graphite. By examining the temperature–dependence, we conclude that effective boundary caused by stacking fault of van der Waals layer act as main scattering channel in out-of-plane thermal conduction in van der Waals materials we investigated. In plane thermal conductivity of TMPS3 at 300 K is similar with TMD material which shows highly anisotropic behavior. We measured thermal conductance of 2 to 13 layer MnPS3 which is lying between metal and SiO2 substrate. Layer dependent thermal conductance of MnPS3 shows constant increase in 2 to more than 10 layers which is contradicting with the understandings from other van der Waals materials.