[논문 리뷰] Experimental discovery of structure-property relationships in ferroelectric materials via active learning

Yongtao Liu, Kyle P. Kelley외 4명|arXiv (Cornell University)|2021. 08. 13.

Force Microscopy Techniques and Applications인용 수 6

한 줄 요약

이 논문은 편광력 현미경(PFM)과 기계학습을 활용하여 반도체 물질의 구조-성질 관계를 자동으로 탐색하는 능동 학습 프레임워크를 제시한다. 예측 불확실성과 신뢰도를 바탕으로 반복적으로 최적의 측정 지점을 선정함으로써, 현장에서의 및 비현장에서의 히스테리시스 루프를 지배하는 서로 다른 메커니즘을 드러내며, 다양한 분광법 및 영상 기술에 적용 가능한 데이터 효율적이고 물리학에 기반한 탐색 워크플로우를 입증한다.

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.

연구 동기 및 목표

• 반도체 물질의 기능성 결함을 수동적이고 직관적인 방법으로 탐색하는 데서 비롯하는 한계를 극복하기 위해.
• 스캐닝 프로브 현미경에서 실험적 샘플링을 이끄는 자동화된 기계학습 기반 워크플로우를 개발하기 위해.
• 국소적 도메인 구조와 분극화 스위칭 특성 간의 구조-성질 관계를 식별하고 정량화하기 위해.
• 반도체에서 현장 내 및 현장 외 히스테리시스 루프를 지배하는 근본적인 물리적 메커니즘을 구분하기 위해.
• PFM를 초월하여 다양한 영상 및 분광 기법에 적용 가능한 일반화된 프레임워크를 구축하기 위해.

제안 방법

• 이 프레임워크는 베이지안 최적화의 확보 함수를 활용한 능동 학습을 적용하여 편광력 현미경(PFM) 실험을 이끈다.
• 히스테리시스 루프 기술자(예: 면적, 비틀림 임계장, 핵형화 임계장, 형태 기능 등)를 기계학습 회귀의 목표로 사용한다.
• 서rogate 모델에서의 예측 불확실성 추정치를 기반으로 다음 최적의 샘플링 위치를 결정함으로써, 중복 측정를 최소화한다.
• 탐색과 이용의 균형을 이루기 위해, 확보 함수 설계를 통해 인간의 인사이트를 워크플로우에 통합한다.
• 모델 예측에 기반해 반복적으로 PFM 측정을 수행하며, 각 새로운 데이터 포인트 이후 모델을 재학습한다.
• 이 방법은 반도체 물질에 대해 검증되었으며, 현장 내 및 현장 외 히스테리시스 거동에서 상이한 메커니즘이 존재함을 드러냈다.

실험 결과

연구 질문

• RQ1 능동 학습을 활용하여 실험적 PFM 데이터에서 반도체 물질의 구조-성질 관계를 어떻게 효율적으로 탐색할 수 있는가?
• RQ2 반도체에서 현장 내 및 현장 외 히스테리시스 루프를 지배하는 주요 물리적 메커니즘은 무엇인가?
• RQ3 확보 함수에 물리학에 기반한 사전 지식을 통합할 경우 실험적 탐색의 효율성과 정확도는 어떻게 향상되는가?
• RQ4 기계학습을 통해 얼마나 적은 수의 PFM 측정으로도 예측 신뢰도를 유지할 수 있는가?
• RQ5 이 프레임워크는 다른 스캐닝 프로브 현미경 및 분광 기법으로 일반화될 수 있는가?

주요 결과

• 능동 학습 프레임워크는 샘플의 높은 불확실성과 높은 정보량을 지닌 영역에 집중함으로써, 필요한 PFM 측정 수를 크게 줄였다.
• 현장 내 및 현장 외 히스테리시스 루프는 서로 다른 물리적 메커니즘에 의해 지배되며, 이는 다른 샘플링 경로와 예측 신뢰도 패턴으로 확인되었다.
• 이 방법은 분극화 스위칭 변동성이 높은 영역을 성공적으로 식별하였으며, 이는 국소적 도메인 구조와 결함과 관련이 있었다.
• 물리학적 인사이트를 반영한 확보 함수는 더 빠른 수렴과 더 정확한 히스테리시스 루프 기술자 모델링을 이끌었다.
• 이 프레임워크는 일반화 가능성을 입증하였으며, 전자현미경 및 화학 영상과 같은 다른 영상 및 분광 모달리티에의 적용 가능성이 있다.
• 이 접근법은 사전 가설이나 운영자 직관에 의존하지 않고도 기능성 결함을 자동으로 반복적으로 탐색할 수 있도록 했다.