[논문 리뷰] Predictability as a probe of manifest and latent physics: The case of atomic scale structural, chemical, and polarization behaviors in multiferroic Sm-doped BiFeO3

Maxim Ziatdinov|arXiv (Cornell University)|2020. 03. 19.

Machine Learning in Materials Science참고 문헌 87인용 수 11

한 줄 요약

이 연구는 원자 해상도 STEM 데이터를 활용하여 Sm 도핑된 BiFeO3에서의 구조적, 화학적 및 분극 행동을 맵핑함으로써 예측 가능성과 불확실성에 기반한 국소 분극장의 잠재적 메커니즘을 분석하기 위해 가우시안 프로세스(GP) 회귀를 예측 프레임워크로 도입한다. 이는 다형성 상전이 경계 근처에서의 상 오예측과 조성 변동성과 같은 숨겨진 메커니즘을 드러내며, 선형 모델보다 우수한 성능을 보이며 관측되지 않은 정렬 구조를 드러낸다.

ABSTRACT

The predictability of a certain effect or phenomenon is often equated with the knowledge of relevant physical laws, typically understood as a functional or numerically derived relationship between the observations and known states of the system. Correspondingly, observations inconsistent with prior knowledge can be used to derive new knowledge on the nature of the system or indicate the presence of yet unknown mechanisms. Here we explore the applicability of Gaussian Processes (GP) to establish predictability and uncertainty of local behaviors from multimodal observations, providing an alternative to this classical paradigm. Using atomic-resolution Scanning Transmission Electron Microscopy (STEM) of multiferroic Sm-doped BiFeO3 across a broad composition range, we directly visualize the atomic structure and structural, physical, and chemical order parameter fields for the material. GP regression is used to establish the predictability of the local polarization field from different groups of parameters, including the adjacent polarization values and several combinations of physical and chemical descriptors, including lattice parameters, column intensities, etc. We observe that certain elements of microstructure including charged and uncharged domain walls and interfaces with the substrate are best predicted with specific combinations of descriptors, and this predictability and their associated uncertainties are consistent across the composition series. The associated generative physical mechanisms are discussed. We argue that predictability and uncertainty in observational data offers a new pathway to probe the physics of condensed matter systems from multimodal local observations.

연구 동기 및 목표

• 복잡한 산화물에서의 명백한 및 잠재적 물리적 메커니즘을 탐색하기 위해 국소 관측량의 예측 가능성과 불확실성에 기반한 데이터 기반 접근법을 개발한다.
• 경쟁하는 순서 매개변수를 가진 원자적으로 불규칙한 다형성 산화물의 거시적 거동을 기술하는 데 있어 고전 모델의 한계를 극복한다.
• 특정 조합의 물리적 및 화학적 서술자들이 국소 분극 및 도메인 벽, 인터페이스와 같은 미세구조적 특성의 예측 가능성에 어떻게 영향을 주는지 규명한다.
• GP 예측의 불확실성이 관측되지 않은 또는 잠재적인 물리 현상(예: 조성 변동성)을 탐지하는 데 사용될 수 있는 지표가 될 수 있는지 조사한다.
• GP 회귀가 관측된 행동뿐만 아니라 관측되지 않은 상 정렬 구조까지 예측할 수 있음을 보여주며, 이는 메커니즘 탐색을 위한 새로운 길을 제시한다.

제안 방법

• Sm 도핑된 BiFeO3의 넓은 조성 범위에서 원자 구조, 격자 매개변수, 컬럼 강도 및 분극장에 대한 공간 해상도를 갖춘 데이터를 추출하기 위해 원자 해상도 스캐닝 투과 전자현미경(STEM)을 활용한다.
• 근접한 분극 값, 격자 매개변수, 몰 부피, 각도 비틀림 등을 포함한 다수의 입력 서술자로부터 국소 분극장의 예측 가능성에 대해 가우시안 프로세스(GP) 회귀를 적용한다.
• 다중 모odal 국소 관측량을 기반으로 GP 모델을 훈련하고, 교차 검증 및 불확실성 정량화를 통해 예측 성능을 평가한다.
• 비선형적이고 확률적인 모델링이 복잡한 물리적 의존성을 포괄하는 데 있어 선형 상관관계 모델 대비 추가적인 가치를 평가하기 위해 비교 분석을 수행한다.
• 예측 불확실성 분석을 통해 조성 변동성 또는 고려되지 않은 상호작용이 있을 가능성이 있는 영역을 식별한다.
• 특화된 서술자 세트를 사용하여 180° 도메인 벽, 충전된 도메인 벽, 기질 인터페이스 등 다양한 미세구조적 특징에서의 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GP 회귀에서의 예측 가능성과 불확실성은 복잡하고 불규칙한 다형성 산화물에서 잠재 물리 메커니즘을 드러내는 데 유용한가?
• RQ2 다양한 미세구조적 특징에서 Sm 도핑된 BiFeO3의 국소 분극 행동을 가장 잘 예측하는 물리적 및 화학적 서술자 조합은 무엇인가?
• RQ3 GP 회귀의 성능은 복잡한 산화물에서 국소 분극장을 예측하는 데 있어 선형 상관관계 모델과 비교하여 어떻게 다른가?
• RQ4 예측 불확실성이 관측되지 않은 또는 숨겨진 물리 현상(예: 조성 변동성)이 존재하는 영역을 탐지하는 진단 도구로 사용될 수 있는가?
• RQ5 GP 회귀는 관측되지 않은 상 정렬을 예측할 수 있으며, 이는 다형성 상전이 경계 근처에서의 클램핑과 제약 조건의 역할에 대해 어떤 시사점을 제공하는가?

주요 결과

• GP 회귀는 국소 분극장 예측에서 선형 상관관계 모델보다 유의미하게 뛰어난 성능을 보이며, 이는 시스템의 거동이 비선형적 관계에 의해 지배됨을 시사한다.
• 180° 도메인 벽은 단위세포 크기 서술자를 사용할 때 가장 잘 예측되었고, 충전된 도메인 벽은 몰 부피와 각도 매개변수를 사용할 때 가장 잘 예측되었다.
• GP 모델의 예측 불확실성은 잠재적인 조성 변동성이 존재할 가능성이 있는 영역와 상관관계를 보이며, 이는 불확실성을 잠재 물리 메커니즘 탐지 도구로 활용할 수 있음을 시사한다.
• GP 모델은 실험적으로 라우브히드랄 상만 관측된 영역에서 옥타에드랄 상의 형성을 예측하였다. 이는 다형성 상전이 경계 근처에서 클램핑과 제약 조건의 가능성이 작용했을 가능성을 시사한다.
• 조성 시리즈 전반에서 일관된 예측 가능성과 불확실성 패턴이 관찰되어 도메인 벽 및 인터페이스 거동을 지배하는 강력하고 보편적인 물리 메커니즘이 존재함을 시사한다.
• 이 프레임워크는 관측되지 않은 정렬을 성공적으로 식별하였으며, 이는 예측 불확실성이 직접 관측을 초월한 새로운 물리 현상 탐색을 이끄는 데 유용할 수 있음을 보여준다.