面向原子级分辨成像数据中相与铁电变体无监督可解释分析的奖励驱动工作流

像差校正电子显微镜的快速发展需要开发稳健的方法，以从成像数据中识别材料的相、铁电变体及其他相关结构特征。虽然用于聚类和无监督分类的无监督方法被广泛用于这些任务，但其性能可能对分析工作流中的超参数选择很敏感。在本研究中，我们以 Sm 掺杂 BiFeO3 (BFO) 薄膜中极化和晶格畸变的发现为例，探讨了描述符和超参数对无监督机器学习方法提取局部结构信息能力的影响。我们证明，奖励驱动方法可用于优化整个工作流中的这些关键超参数，其中奖励被设计为反映畴壁的连续性和笔直度，确保分析与材料的物理行为相一致。该方法使我们能够发现与特定物理行为最佳契合的局部描述符，从而为材料的基础物理提供深刻见解。我们进一步扩展了奖励驱动工作流，通过优化的变分自编码器（VAE）解耦结构变化因子。最后，我们探讨了定义明确的奖励作为工作流成功可量化指标的重要性。