通过无监督机器学习解耦动态压电力显微镜中的铁电畴壁几何与路径
无序系统与神经网络
2021-04-14 v3
摘要
通过动态压电力显微镜(PFM)观测的铁电材料畴翻转路径，利用变分自编码器(VAE)进行探索，该编码器简化了观测畴结构的要素，关键地实现了旋转不变性，从而将局域极化分布的可变性缩减为少量潜变量。对于小采样窗口尺寸，潜空间是退化的，可变性仅沿单一潜变量方向观测到，该方向可识别为畴壁的存在。对于较大窗口尺寸，潜空间为二维，解耦的潜变量可一般解释为翻转程度与畴结构复杂度。应用于监测畴翻转时获取的连续多张 PFM 图像，极化翻转机制从而可在潜空间中可视化，从而提供对畴演化机制及其与微结构相关性的洞察。
引用
@article{arxiv.2007.06194,
title = {Disentangling ferroelectric domain wall geometries and pathways in dynamic piezoresponse force microscopy via unsupervised machine learning},
author = {Sergei V. Kalinin and James J. Steffes and Yongtao Liu and Bryan D. Huey and Maxim Ziatdinov},
journal= {arXiv preprint arXiv:2007.06194},
year = {2021}
}
备注
The revised version