基于高分辨扫描透射电子显微数据的铁电材料中竞争原子机制的因果分析
材料科学
2020-04-01 v2
摘要
机器学习已成为分析电子与扫描探针显微中介观及原子分辨图像与谱学的强有力工具，其应用涵盖特征提取、信息压缩、阐明相关序参量，以及反演成像数据以重建结构模型。然而，机器学习方法的根本局限在于其相关性质，导致极易受混杂因素影响。在此，我们实现了结构扫描透射电子显微镜(STEM)数据的因果分析工作流，并探究铁电钙钛矿跨铁电-反铁电相变中物理与化学效应的相互作用。我们生长了Sm掺杂BiFeO3的组合库以覆盖从纯铁电BFO到正交20% Sm掺杂BFO的组成范围。对选定组分获取了原子分辨STEM图像，并用于创建一组局域组分、结构与极化场描述符。采用信息几何因果推断(IGCI)与加性噪声模型(ANM)分析来确立描述符间的两两因果方向，按因果方向对数据集排序。比较了跨组成的IGCI与ANM因果链，提示组成序列中存在共同因果机制。最终，我们相信对多模态数据的因果分析将得以探索控制形貌材料与铁电弛豫体独特功能涌现的多种竞争机制间的因果关联。
引用
@article{arxiv.2002.04245,
title = {Causal analysis of competing atomistic mechanisms in ferroelectric materials from high-resolution Scanning Transmission Electron Microscopy data},
author = {Maxim Ziatdinov and Chris Nelson and Xiaohang Zhang and Rama Vasudevan and Eugene Eliseev and Anna N. Morozovska and Ichiro Takeuchi and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2002.04245},
year = {2020}
}
备注
Updated Figures 5 and 6 and the associated text