用于铁电-介电复合材料建模的人机交互机器学习框架
材料科学
2020-03-30 v1 应用物理
计算物理
摘要
数据驱动的材料发现与优化需要无错误且经实验验证的数据库。开展材料测量耗时费力，且常受限于材料样品制备不平凡、劳动密集且昂贵。多年来人们研究材料数值建模以应对这些问题，如今已在多尺度与多物理场层面取得发展。然而，纳米复合材料尤其是铁电体的数值模型因系统中存在氧空位密度、晶粒尺寸与畴界等多个未知量而受限。本工作中，我们引入一种人机交互学习框架，通过开发可扩展的半经验模型，在深度学习(DL)赋能下精确预测材料属性。选取MgO掺杂的BST (BaxSr1-xTiO3)作为铁电-介电复合材料示例进行验证。该DL模型从测量数据库迁移学习材料的实验特征，该库包含通过筛选已发表数据并结合我们自身测量数据所收集的逾100种不同铁电复合材料的数据。训练后的DL模型用于向人类研究者提供反馈，后者相应精修计算机模型参数，从而完成交互学习循环。最后，所开发的DL模型被用于预测并优化具有最高优值(FOM)值的新型铁电-介电复合材料。
引用
@article{arxiv.2003.12465,
title = {Interactive Human-Machine Learning Framework for Modelling of Ferroelectric-Dielectric Composites},
author = {Ning Liu and Achintha Ihalage and Hangfeng Zhang and Henry Giddens and Haixue Yan and Yang Hao},
journal= {arXiv preprint arXiv:2003.12465},
year = {2020}
}