通过深度学习解耦铁电畴壁动力学并识别钉扎机制
无序系统与神经网络
2021-05-18 v1 材料科学
摘要
铁电材料中场致畴壁动力学支撑了从执行器到信息技术器件的多种应用，需要对包括巨机电耦合、受控非线性和低矫顽电压等关联机制进行定量描述。尽管过去二十年间动态压电响应力显微镜（Piezoresponse Force Microscopy）测量的进展已使极化动力学可视化相对容易，但对其局部机制的深入理解一直难以捉摸。本文中，我们采用一种工作流来探究模型多晶材料中的畴动力学，该工作流将基于深度学习的畴结构分割与利用多层旋转不变自编码器（rVAE）的非线性降维相结合。前者可明确识别和分类铁电与铁弹畴壁。rVAE发现了畴壁几何及其动力学的潜表示，从而提供对极化开关内在机制的洞察，并可进一步与简单物理模型比较。rVAE解耦了影响铁电畴壁钉扎效率的因素，为铁弹畴壁分布与铁电畴壁钉扎之间的相关性提供了见解。
引用
@article{arxiv.2105.07125,
title = {Disentangling ferroelectric wall dynamics and identification of pinning mechanisms via deep learning},
author = {Yongtao Liu and Roger Proksch and Chun Yin Wong and Maxim Ziatdinov and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2105.07125},
year = {2021}
}
备注
20 pages, 6 figures