[논문 리뷰] Multi-objective Bayesian optimization of ferroelectric materials with interfacial control for memory and energy storage applications

Arpan Biswas, Anna N. Morozovska외 3명|arXiv (Cornell University)|2021. 08. 29.

Ferroelectric and Negative Capacitance Devices참고 문헌 107인용 수 38

한 줄 요약

이 논문은 에너지 저장 및 손실을 동시에 최적화하기 위해 물리 기반 다목적 베이지안 최적화(MOBO) 프레임워크를 제안한다. 1D 기반의 진동-델빈셔(Ginzburg-Landau-Devonshire) 모델을 가우시안 프로세스 대체 모델과 획득 함수 최적화에 통합함으로써, 고차원 공간 내에서 파레토 최적 영역을 효율적으로 식별하고, 높은 비용이 드는 시뮬레이션을 줄이며, 검증된 참값 비교를 통해 성능 지표 간의 상충 관계를 포착한다.

ABSTRACT

Optimization of materials performance for specific applications often requires balancing multiple aspects of materials functionality. Even for the cases where generative physical model of material behavior is known and reliable, this often requires search over multidimensional parameter space to identify low-dimensional manifold corresponding to required Pareto front. Here we introduce the multi-objective Bayesian Optimization (MOBO) workflow for the ferroelectric/anti-ferroelectric performance optimization for memory and energy storage applications based on the numerical solution of the Ginzburg-Landau equation with electrochemical or semiconducting boundary conditions. MOBO is a low computational cost optimization tool for expensive multi-objective functions, where we update posterior surrogate Gaussian process models from prior evaluations, and then select future evaluations from maximizing an acquisition function. Using the parameters for a prototype bulk antiferroelectric (PbZrO3), we first develop a physics-driven decision tree of target functions from the loop structures. We further develop a physics-driven MOBO architecture to explore multidimensional parameter space and build Pareto-frontiers by maximizing two target functions jointly: energy storage and loss. This approach allows for rapid initial materials and device parameter selection for a given application and can be further expanded towards the active experiment setting. The associated notebooks provide both the tutorial on MOBO and allow to reproduce the reported analyses and apply them to other systems (https://github.com/arpanbiswas52/MOBO_AFI_Supplements).

연구 동기 및 목표

• 메모리 및 에너지 저장 응용 분야에서 페로일렉트릭 및 안티페로일렉트릭 물질의 에너지 저장 및 손실이라는 다수의 성능 지표를 균형 잡는 데 도전하는 것.
• 복잡한 인터페이셜 시스템의 재료 설계에서 고차원 매개변수 공간을 탐색하는 데 발생하는 계산 부담을 극복하는 것.
• 물리 기반 모델과 베이지안 추론을 통합하여 저비용이고 효율적인 최적화 워크플로우를 개발하는 것.
• 비싼 시뮬레이션을 대체하는 대체 모델링을 통해 최적의 재료 및 장치 매개변수를 신속하게 식별할 수 있도록 하는 것.

제안 방법

• 이 방법은 전기화학적 또는 반도체 경계 조건 하에서 페로일렉트릭/안티페로일렉트릭 시스템의 극성 및 구조적 질서 매개변수를 모델링하기 위해 1D 수치적 해법을 사용한 진동-델빈셔(GLD) 방정식을 적용한다.
• 에너지 저장 및 손실을 위한 목표 함수를 정의하기 위해 루프 구조(P-E 히스테리시스)에서 물리 기반 의사결정 트리를 구성한다.
• 반복적으로 이전 평가 결과로부터 업데이트되는 가우시안 프로세스(GP) 대체 모델을 사용하여 다목적 베이지안 최적화(MOBO)를 적용한다.
• 각 단계에서 획득 함수를 최대화하여 다음으로 가장 정보가 많은 매개변수 조합을 선택함으로써 탐색과 이용의 균형을 이룬다.
• 파레토 경계를 참값과 비교하기 위해 저샘플링(7×7) 격자 기반의 완전 탐색과의 검증을 수행한다.
• 모든 분석 및 워크플로우는 재현 가능하고 다른 시스템으로의 확장이 가능한 상호작용형 Colab 노트북을 통해 구현되었다(https://github.com/arpanbiswas52/MOBO_AFI_Supplements).

실험 결과

연구 질문

• RQ1 인터페이셜 제어 페로일렉트릭에서 에너지 저장 및 손실 간 최적의 트레이드오프를 효율적으로 식별하기 위해 다목적 최적화를 어떻게 적용할 수 있는가?
• RQ2 산소 부분압력, 온도, 필름 두께, 표면 이온 에너지 등의 인터페이셜 매개변수는 성능 지표의 파레토 경계에 어떤 역할을 하는가?
• RQ3 GLD 공식 기반의 물리 기반 대체 모델이 최소한의 계산 비용으로 복잡한 페로일렉트릭 시스템의 거동을 정확하게 예측할 수 있는가?
• RQ4 페로일렉트릭과 안티페로일렉트릭 상 간의 상전이 존재가 MOBO 대체 모델의 안정성과 정확성에 어떤 영향을 미치는가?
• RQ5 MOBO 프레임워크는 최적의 재료 매개변수를 식별하기 위해 필요한 고비용 시뮬레이션 횟수를 어느 정도 줄일 수 있는가?

주요 결과

• MOBO 프레임워크는 높은 에너지 저장 능력과 높은 손실 영역을 연결하는 파레토 경계를 성공적으로 식별하여 두 목표 간 명확한 상충 관계를 보여준다.
• 7×7 참값 비교를 통해 검증된 결과, 완전 탐색보다 훨씬 적은 평가 횟수로 정확한 파레토 경계 근사치를 도출할 수 있었다.
• 높은 에너지 저장 능력은 낮은 산소 부분압력과 낮은 온도와 관련이 있으며, 높은 손실은 높은 산소 부분압력과 낮은 온도와 관련이 있다.
• 파레토 경계상에서 에너지 저장 및 손실 값의 급격한 변화는 페로일렉트릭과 안티페로일렉트릭 상 사이의 상전이와 관련이 있으며, 이는 상 경계에서 대체 모델링에 도전 과제가 있음을 시사한다.
• 이 프레임워크는 고차원 매개변수 공간의 신속한 탐색이 가능하며, 3D 유한요소 모델 및 실시간 실험 설정으로의 확장도 가능하다.
• MOBO 반복 및 모델 검증을 포함한 전체 워크플로우는 공개된 Colab 노트북을 통해 문서화되고 재현 가능하다.