实时探索铁电畴壁物理：基于深度学习的扫描探针显微术
材料科学
2022-06-24 v1
摘要
通过在扫描探针显微术（SPM）实验中原位部署计算机视觉算法，实时探索了铁电材料中铁弹畴壁的功能特性。该鲁棒的深度卷积神经网络（DCNN）基于深度残差学习框架（Res）与整体嵌套边缘检测（Hed）实现，并采用集成策略以最小化分布外漂移效应。该DCNN在SPM上实时运行，将数据流转换为语义分割的畴壁图像及相应不确定性图。我们进一步在由此发现的畴壁上演示了预先选定的实验工作流，并报道了（PbTiO3）PTO薄膜中交替的高、低极化动态（面外）铁弹畴壁，以及锆钛酸铅（PZT）薄膜中短铁弹畴壁（相较于长铁弹畴壁）处的高极化动态（面外）。本工作建立了扫描探针及其他显微术中数据流实时DCNN分析的框架，并凸显了分布外效应的作用及实时分析中缓解这些效应的策略。
引用
@article{arxiv.2206.11457,
title = {Exploring Physics of Ferroelectric Domain Walls in Real Time: Deep Learning Enabled Scanning Probe Microscopy},
author = {Yongtao Liu and Kyle P. Kelley and Hiroshi Funakubo and Sergei V. Kalinin and Maxim Ziatdinov},
journal= {arXiv preprint arXiv:2206.11457},
year = {2022}
}
备注
21 pages, 7 figures