[논문 리뷰] FORC+: A method for separating reversible from irreversible behavior using first order reversal curves

P. B. Visscher|arXiv (Cornell University)|2016. 10. 28.

Magnetic Properties and Applications인용 수 3

한 줄 요약

이 논문은 첫 번째 순환 곡선(FORC) 분석에서 가역적이고 비가역적 자성 거동을 청소하고 분리하는 데 전용으로 설계된 새로운 방법인 FORC+를 소개한다. 이 방법은 비가역적 성분을 유지하면서도 가역적 성분에 대해 별도의 '포화장 분포'를 유도함으로써, 표준 비가역 FORC 분포에 영향을 주지 않도록 한다. 이 접근법은 자화 데이터의 이산 도함수를 사용하여 가역적 기여를 분리함으로써, 혼합계에서 경축과 약축의 스톤어-워프스파르트 입자를 명확히 식별할 수 있도록 한다.

ABSTRACT

First Order Reversal Curves (FORCs) have been used for a number of years for the extraction of information from magnetization measurements. The results are most unambiguous for irreversible processes -- for a collection of Preisach hysterons, one gets a "FORC distribution" $ρ(H_{down},H_{up})$, the number of hysterons with given downward \& upward reversal fields. There have been many proposals for dealing with reversible behavior, usually involving inserting it somehow into the irreversible FORC distribution. Here we will try to do the opposite, to separate them into another function which we will call the (reversible) "saturation field distribution", which is identically zero for a completely irreversible system of hysterons, while the irreversible FORC distribution is identically zero for a reversible system. Thus in a system with both purely reversible and purely irreversible components, such as single-domain Stoner-Wohlfarth particles with hard or easy axis along the field, this approach cleanly separates them. For more complicated systems, as with conventional FORC distributions, it at least provides a "signature" making it possible to identify microscopic models that might give a particular pair of irreversible and reversible distributions.

연구 동기 및 목표

• FORC 분석에서 가역적 및 비가역적 자성 기여를 구분하는 데 오랫동안 지속된 과제를 해결하기 위해.
• 기존 표준 FORC 분포에 오염을 주지 않고도 가역적 및 비가역적 성분을 청소하고 분리하는 방법을 개발하기 위해.
• 경축 입자들의 포화장에 대해 물리적으로 의미 있는 분포를 제공함으로써 가역적 거동을 위한 특별한 분포를 확보하기 위해.
• 가역적 및 비가역적 성분의 명확한 서명을 드러내어 실험적 FORC 데이터의 미세 구조 모델을 정확히 식별할 수 있도록 하기 위해.
• 기존 FORC 시각화 방식의 한계를 극복하기 위해, 특히 보간 오류로 인해 가역적 및 비가역적 효과가 혼합되거나 가림을 받을 수 있는 문제를 해결하기 위해.

제안 방법

• 유한한 필드 간격 δ를 사용하여 표준 FORC 방정식의 이산적 유사체를 유도함으로써 더 명확한 시각화와 유도를 가능하게 한다.
• 새로운 양인 $ M_H(H_R, H) $ 를 도입하며, 이는 $ M(H_R, H) $ 의 유한 차분으로 정의되며, 비가역적 시스템에서는 $ H = H_R $ 에서 0이 된다.
• Equation (7) 에서 표현된 $ M_H $ 의 이중도함수를 제안하여, 비가역적 시스템에서 0이 되는 가역 포화장 분포 $ \rho^{rev}(H) $ 를 추출한다.
• 이산 플라킷 방법을 사용하여 $ \rho^{irr}(H_R, H) $ 를 혼합 편도함수 $ -\frac{1}{2} \frac{\partial^2 M}{\partial H_R \partial H} $ 로 계산함으로써 가역 기여로부터 청결하게 분리된다.
• 보간 오류를 방지하기 위해 직접 OpenGL 기반 시각화를 사용하여 데이터의 이산적 성격을 유지하고 가역적 및 비가역적 신호의 인위적 혼합을 방지한다.
• 노이즈가 있는 데이터에서 도함수 추출 전에 스무딩 기법(예: 다항식 피팅)을 적용하여 신호의 명료성을 향상시키되, 물리적 해석을 왜곡하지 않는다.

실험 결과

연구 질문

• RQ1 표준 비가역 FORC 분포에 영향을 주지 않고서도 FORC 분석에서 가역적 자성 거동을 비가역적 거동에서 분리할 수 있는가?
• RQ2 어떤 수학적 공식화가 가역 성분을 별도의 분포로 표현할 수 있게 하는가, 특히 경축 입자들의 포화장 분포로써?
• RQ3 FORC 실험에서 측정된 자화 데이터만을 사용하여 가역적 및 비가역적 성분을 어떻게 분리할 수 있는가?
• RQ4 제안된 방법이 기존 FORC 분석에 비해 미세 구조 모델 식별의 정확도를 어느 정도 향상시키는가?
• RQ5 이 방법은 상용 소프트웨어에서 발생하는 보간 오류로 인한 시각화 오류, 특히 $ H_R = H $ 근처 및 경계부에서를 방지할 수 있는가?

주요 결과

• 순수 가역적 시스템에서는 비가역 FORC 분포 $ \rho^{irr}(H_R, H) $ 가 항등적으로 0이 되며, 이는 비가역 과정에만 민감하다는 것을 확인한다.
• Equation (7) 에서 정의된 가역 포화장 분포 $ \rho^{rev}(H) $ 는 순수 비가역적 시스템에서 항등적으로 0이 되며, 이는 가역적 거동에만 민감하다는 것을 확인한다.
• 경축과 약축을 모두 포함한 단일 도메인 스톤어-워프스파르트 입자 시스템에서는 $ \rho^{irr} $ 가 비가역(약축) 입자를 완전히 기술하고, $ \rho^{rev} $ 는 $ H_{s-} $ 와 $ H_{s+} $ 의 포화장 분포를 완전히 기술한다.
• 이 방법은 $ M_H(H_R, H) $ 를 통해 가역 기여를 성공적으로 분리한다. 이는 경축 입자에서는 $ H_R $ 에 대해 일정하므로, 포화장에서만 이중도함수가 비영이 된다.
• 직접 OpenGL 기반 시각화는 일반적으로 $ H_R = H $ 근처 및 곡선의 끝점에서 FORC 데이터의 진정한 이산적 성격을 흐리게 하거나 왜곡시키는 보간 오류를 방지한다.
• 이 방법은 가역적 및 비가역적 성분에 대해 명확하고 겹치지 않는 서명을 제공함으로써, 미세 구조 모델을 명확하게 식별할 수 있도록 한다.