[논문 리뷰] Density Functional Theory and Deep-learning to Accelerate Data Analytics in Scanning Tunneling Microscopy

Kamal Choudhary, Kevin F. Garrity외 5명|arXiv (Cornell University)|2019. 12. 19.

Force Microscopy Techniques and Applications참고 문헌 55인용 수 9

한 줄 요약

이 논문은 밀도함수이론(DFT)과 Tersoff-Hamann 방법을 사용하여 716종의 이차원 물질에 대해 스캐닝 턨널링 현미경(STM) 영상을 대규모로 계산한 데이터베이스를 제시한다. 시뮬레이션된 STM 영상과 실험적 STM 영상 간에 강한 정성적 일치를 보이며, Bravais 격자 유형의 고속 식별을 가속화하기 위해 이 데이터 기반으로 훈련된 합성곱 신경망(CNN) 모델을 도입하여 실험 데이터 분석 속도를 향상시키고 자율 실험 워크플로우에 통합할 수 있다.

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.

연구 동기 및 목표

• 밀도함수이론(DFT)과 Tersoff-Hamann 방법을 사용하여 2차원 물질에 대한 계산된 STM 영상의 포괄적이고 체계적인 데이터베이스를 구축하기 위해.
• 검증 및 상 식별을 위해 시뮬레이션된 영상과 실험적 STM 영상 간 직접 비교를 가능하게 하기 위해.
• STM 영상에서 Bravais 격자 유형을 자동으로 분류할 수 있는 딥러닝 모델을 개발하여 고속 데이터 분석 능력을 향상시키기 위해.
• 신뢰할 수 있는 계산 기반 STM 영상 기반 자료를 제공하여 자율 실험 워크플로우를 지원하기 위해.
• 연구의 보편적 활용을 위해 이 데이터셋을 JARVIS-DFT 웹사이트를 통해 공개하기 위해.

제안 방법

• 716종의 분리 가능한 2차원 물질에 대해 밀도함수이론(DFT)과 Tersoff-Hamann 근사법을 사용하여 계산된 STM 영상을 생성하였다.
• Tersoff-Hamann 방법을 사용하여 전자 구조 계산에서 터널링 전류를 시뮬레이션하고, 실공간 STM 영상을 생성하였다.
• STM 영상의 푸리에 변환을 계산하여 주기성과 대칭성을 분석하고, Bravais 격자 유형 분류를 지원하였다.
• 합성곱 신경망(CNN)을 사용하여 시뮬레이션된 STM 영상에서 2차원 물질의 다섯 가지 가능한 Bravais 격자 유형을 식별하도록 훈련시켰다.
• 모델의 일반화 능력을 평가하기 위해 실험적 STM 영상으로의 적용 능력을 정성적 비교를 통해 평가하였다.
• 모든 생성된 STM 영상과 관련 데이터는 공개 접근 및 재사용을 위해 JARVIS-DFT 웹사이트에 호스팅되어 있다.

실험 결과

연구 질문

• RQ1 DFT 기반 계산된 STM 시뮬레이션은 2차원 물질의 실험적 STM 영상에서 관찰되는 특징을 정확히 재현할 수 있는가?
• RQ2 시뮬레이션된 STM 영상으로 훈련된 딥러닝 모델은 2차원 물질의 Bravais 격자 유형을 얼마나 잘 분류할 수 있는가?
• RQ3 계산된 STM 영상은 실험 데이터에서 상, 결함, 격자 변형을 식별하는 데 어느 정도 기여할 수 있는가?
• RQ4 시뮬레이션된 STM 데이터를 머신러닝 워크플로우에 통합하면 실험적 스캐닝 터널링 현미경 데이터의 고속 분석을 얼마나 가속화할 수 있는가?
• RQ5 다양한 결정 구조를 가진 다양한 2차원 물질에 대해 제안된 접근 방식은 얼마나 확장 가능하고 일반화 가능한가?

주요 결과

• 선택된 2차원 물질에 대해 시뮬레이션된 STM 영상은 실험적 STM 영상과 뛰어난 정성적 일치를 보이며, DFT 기반 시뮬레이션 접근의 정확성을 검증한다.
• 합성곱 신경망(CNN) 모델은 높은 신뢰도로 STM 영상에서 Bravais 격자 유형을 식별하는 데 성공하여 자동화된 데이터 분석 잠재력을 보여준다.
• 716개의 DFT 기반 생성 STM 영상으로 구성된 데이터베이스는 다양한 결정 대칭성과 격자 유형을 가진 물질을 위한 포괄적인 기준 세트를 제공한다.
• STM 영상의 푸리에 변환은 명확하게 기초가 되는 주기성과 대칭성을 드러내어 격자 분류 및 구조 분석을 지원한다.
• JARVIS-DFT 웹사이트에 공개된 데이터셋은 재현 가능성을 보장하고 향후 재료 특성 분석 및 자율 실험 연구를 촉진한다.
• 계산된 STM 데이터와 딥러닝의 통합은 스캐닝 터널링 현미경 분야의 데이터 분석을 가속화하는 확장 가능한 길을 제공한다.