[論文レビュー] Experimental discovery of structure-property relationships in ferroelectric materials via active learning

Yongtao Liu, Kyle P. Kelley+4 more|arXiv (Cornell University)|Aug 13, 2021

Force Microscopy Techniques and Applications被引用数 6

ひとこと要約

本論文は、ピエゾ応答力顕微鏡法（PFM）と機械学習を用いて、強誘電体材料における構造-性質関係の自動発見を可能にするアクティブラーニングフレームワークを提示する。不確実性と予測信頼性に基づいて反復的に最適な測定点を選択することで、電場印加時と非印加時のヒステリシスループを支配する異なるメカニズムを明らかにし、データ効率的で物理的知見を組み込んだ発見ワークフローを、多様な分光法および画像技術に応用可能であることを示している。

ABSTRACT

Emergent functionalities of structural and topological defects in ferroelectric materials underpin an extremely broad spectrum of applications ranging from domain wall electronics to high dielectric and electromechanical responses. Many of these have been discovered and quantified via local scanning probe microscopy methods. However, the search for these functionalities has until now been based by either trial and error or using auxiliary information such as topography or domain wall structure to identify potential objects of interest based on the intuition of operator or preexisting hypotheses, with subsequent manual exploration. Here, we report the development and implementation of a machine learning framework that actively discovers relationships between local domain structure and polarization switching characteristics in ferroelectric materials encoded in the hysteresis loop. The latter and descriptors such as nucleation bias, coercive bias, hysteresis loop area, or more complex functionals of hysteresis loop shape and corresponding uncertainties are used to guide the discovery via automated piezoresponse force microscopy (PFM) and spectroscopy experiments. As such, this approach combines the power of machine learning methods to learn the correlative relationships between high dimensional data, and human-based physics insights encoded in the acquisition function. For ferroelectric, this automated workflow demonstrates that the discovery path and sampling points of on-field and off-field hysteresis loops are largely different, indicating the on-field and off-field hysteresis loops are dominated by different mechanisms. The proposed approach is universal and can be applied to a broad range of modern imaging and spectroscopy methods ranging from other scanning probe microscopy modalities to electron microscopy and chemical imaging.

研究の動機と目的

• 強誘電体材料における機能的欠陥の特定に起因する手作業的・直感的探索の限界を克服すること。
• 走査プローブ顕微鏡における実験的サンプリングをガイドする自動化された機械学習駆動ワークフローの開発。
• 局所的ドメイン構造と分極スイッチング特性との間の構造-性質関係の同定および定量化。
• 強誘電体における電場印加時と非印加時のヒステリシスループを支配する物理的メカニズムの区別。
• PFMを超える多様な画像法および分光法に応用可能な汎用フレームワークの構築。

提案手法

• フレームワークは、ベイズ最適化の獲得関数を用いたアクティブラーニングを採用し、ピエゾ応答力顕微鏡法（PFM）実験をガイドする。
• ヒステリシスループの記述子（面積、降伏バイアス、核化バイアス、形状関数など）を機械学習回帰のターゲットとして用いる。
• サーヴェイモデルからの不確実性推定値が次の最適なサンプリング位置を決定し、冗長な測定を最小限に抑える。
• 獲得関数の設計を通じて人間のフィードバックによる物理的知見を統合し、探索と活用のバランスを取る。
• モデル予測に基づいて反復的にPFM測定を実施し、各新しいデータポイントの後でモデルを再訓練する。
• 本手法は強誘電体材料に対して検証され、電場印加時と非印加時のヒステリシス行動における分離したメカニズムを明らかにした。

実験結果

リサーチクエスチョン

• RQ1 アクティブラーニングをどのように活用することで、実験的PFMデータから強誘電体材料における構造-性質関係を効率的に発見できるか？
• RQ2 強誘電体における電場印加時と非印加時のヒステリシスループを支配する特徴的な物理的メカニズムは何か？
• RQ3 獲得関数に物理的知見を組み込むことで、実験的発見の効率性と正確性はどのように向上するか？
• RQ4 機械学習を用いることで、必要なPFM測定回数はどの程度削減可能でありながらも、予測信頼性を維持できるか？
• RQ5 このフレームワークは、他の走査プローブ顕微鏡および分光法に一般化可能か？

主な発見

• アクティブラーニングフレームワークにより、サンプルの不確実性が高く情報量の多い領域に焦点を当てることで、必要なPFM測定回数が顕著に削減された。
• 電場印加時と非印加時のヒステリシスループは、異なるサンプリング経路と予測信頼性のパターンから、別個の物理的メカニズムによって支配されていることが示された。
• 本手法は、局所的ドメイン構造や欠陥に関連する分極スイッチング変動が著しい領域を効果的に同定した。
• 物理的知見を組み込んだ獲得関数は、収束速度の向上とヒステリシスループ記述子のより正確なモデリングを実現した。
• 本フレームワークは汎用性を示し、電子顕微鏡や化学画像法を含む他の画像法および分光法への応用が可能である可能性を示した。
• 本手法により、事前の仮説や操作者の直感に依存せずに、自動的かつ反復的な機能的欠陥の発見が可能になった。