基于主动学习的铁电材料结构-性能关系的实验发现

铁电材料中结构和拓扑缺陷的涌现功能支撑了极其广泛的应用，从畴壁电子学到高介电与机电响应。其中许多已通过局部扫描探针显微镜方法被发现和量化。然而，迄今为止这些功能的寻找要么基于试错，要么利用形貌或畴壁结构等辅助信息，依据操作者的直觉或既有假设来识别潜在感兴趣对象，随后进行手动探索。在此，我们报告了一种机器学习框架的开发与实现，该框架主动发现铁电材料中局部畴结构与编码于滞回曲线中的极化翻转特性之间的关系。后者以及成核偏置、矫顽偏置、滞回曲线面积或更复杂的滞回曲线形状泛函及其相应不确定性等描述符，被用于通过自动化压电响应力显微镜（PFM）和谱学实验引导发现。因此，该方法结合了机器学习方法学习高维数据间相关关系的优势，以及获取函数中编码的基于人类的物理洞察。对于铁电体，该自动化工作流表明在场与离场滞回曲线的发现路径和采样点大不相同，表明在场与离场滞回曲线由不同机制主导。所提方法具有通用性，可应用于从其他扫描探针显微镜模态到电子显微镜和化学成像的广泛现代成像与谱学方法。