[論文レビュー] Density Functional Theory and Deep-learning to Accelerate Data Analytics in Scanning Tunneling Microscopy

Kamal Choudhary, Kevin F. Garrity+5 more|arXiv (Cornell University)|Dec 19, 2019

Force Microscopy Techniques and Applications参考文献 55被引用数 9

ひとこと要約

本論文は、密度汎関数理論（DFT）およびTersoff-Hamann法を用いて生成された、716種の二次元材料の走査トンネル顕微鏡（STM）像のスケーラブルな計算ベースのデータベースを提示する。実験的STM像とシミュレートされたSTM像の間で強い定性的な一致が示され、このデータを用いてトレーニングされた畳み込みニューラルネットワーク（CNN）モデルが、ブラーヴェ格子型の高速高スルーレット同定を可能にし、実験データの分析を加速するとともに、自律的実験ワークフローへの統合を可能にする。

ABSTRACT

We introduce the first systematic database of scanning tunneling microscope (STM) images obtained using density functional theory (DFT) for two-dimensional (2D) materials, calculated using the Tersoff-Hamann method. It currently contains data for 716 exfoliable 2D materials. Examples of the five possible Bravais lattice types for 2D materials and their Fourier-transforms are discussed. All the computational STM images generated in this work will be made available on the JARVIS-DFT website (https://www.ctcms.nist.gov/~knc6/JVASP.html). We find excellent qualitative agreement between the computational and experimental STM images for selected materials. As a first example application of this database, we train a convolution neural network (CNN) model to identify Bravais lattices from the STM images. We believe the model can aid high-throughput experimental data analysis. These computational STM images can directly aid the identification of phases, analyzing defects and lattice-distortions in experimental STM images, as well as be incorporated in the autonomous experiment workflows.

研究の動機と目的

• 密度汎関数理論（DFT）およびTersoff-Hamann法を用いて、2次元材料の計算STM画像の包括的かつ体系的なデータベースを構築すること。
• シミュレートされたSTM画像と実験的STM画像の直接比較を可能にし、検証および相同定に役立てる。
• STM画像からブラーヴェ格子型を自動分類できる深層学習モデルを開発し、高スルーレットデータ分析を強化すること。
• 信頼性の高い計算的に生成されたSTM画像リファレンスを提供することで、自律的実験ワークフローを支援すること。
• JARVIS-DFTウェブサイトを通じて、研究の広範な利用を促進するため、このデータセットを公開すること。

提案手法

• 716種の剥離可能な2次元材料について、密度汎関数理論（DFT）およびTersoff-Hamann近似を用いて計算STM画像を生成した。
• トンネル電流をシミュレートし、電子構造計算から実空間におけるSTM画像を生成するために、Tersoff-Hamann法が用いられた。
• 周期性および対称性の分析を支援するため、STM画像のフーリエ変換が計算された。
• 2次元材料における5つの可能なブラーヴェ格子型を識別できるように、畳み込みニューラルネットワーク（CNN）がシミュレートされたSTM画像上でトレーニングされた。
• 一般化能力を評価するため、モデルの実験的STM画像への適用能力を定性的比較によって評価した。
• 生成されたすべてのSTM画像および関連データは、公開アクセスおよび再利用を目的としてJARVIS-DFTウェブサイトにホスティングされた。

実験結果

リサーチクエスチョン

• RQ1 DFTベースの計算STMシミュレーションは、2次元材料の実験的STM画像に観察される特徴を正確に再現できるか？
• RQ2 シミュレートされたSTM画像でトレーニングされた深層学習モデルは、2次元材料のブラーヴェ格子型をどの程度正確に分類できるか？
• RQ3 計算STM画像は、実験データにおける相、欠陥、格子歪みの同定にどの程度寄与できるか？
• RQ4 シミュレートされたSTMデータを機械学習ワークフローに統合することで、実験的走査トンネル顕微鏡データの高スルーレット分析がどの程度加速できるか？
• RQ5 本手法は、結晶構造が異なる多様な2次元材料にわたって、どの程度スケーラブルかつ一般化可能か？

主な発見

• 選択された2次元材料について、シミュレートされたSTM画像は実験的STM画像と優れた定性的一致を示し、DFTベースのシミュレーション手法の正確性が妥当であることが検証された。
• 畳み込みニューラルネットワーク（CNN）モデルは、STM画像からブラーヴェ格子型を高信頼性で識別する能力を習得しており、自動化されたデータ分析の可能性を示している。
• 716個のDFT生成STM画像からなるデータベースは、多様な結晶対称性および格子型を持つ材料の包括的リファレンスセットを提供する。
• STM画像のフーリエ変換は、明確に下位の周期性および対称性を露呈しており、格子分類および構造解析を支援している。
• JARVIS-DFTウェブサイトへのデータセットの公開により、再現性が確保され、今後の材料特性評価および自律的実験研究を促進する。
• 計算STMデータと深層学習の統合は、走査トンネル顕微鏡分野におけるデータ分析のスケーラブルな加速への道筋を提供する。