切换与否——铁电性的机器学习方法
介观与纳米尺度物理
2020-04-20 v1 材料科学
摘要
随着物理学、化学和材料科学中日益精细的实验技术的出现，测量数据正变得更大且更复杂。观测量通常是若干激励的函数，从而产生了跨越一系列实验参数的多维数据集。例如，研究铁电翻转的一种常见方法是观察外加电场的影响，但翻转也可由压力引发，并受应变场、材料组成、温度、时间等的影响。此外，这些参数通常相互依赖，因此将它们解耦以实现单变量测量或分析可能并不容易。另一方面，显式与隐式参数都提供了深入理解所测性质的机遇，前提是存在一条明确定义的路径来捕获和分析此类数据。在此，我们引入一种新颖的二维方法来表征材料系统对外加电场的滞回响应。以铁电极化为滞回性质的模型，我们展示了显式考虑对两个而非一个控制电压的电机械响应，如何使对观测滞回（例如区分电荷俘获与铁电性）的解释显著更透明且稳健。此外，我们展示了这种新数据表示如何轻松适配多种机器学习方法，从通过线性聚类算法对滞回响应起源进行无监督分类，到基于神经网络根据滞回的特定形态推断样品温度。
引用
@article{arxiv.2004.08267,
title = {To switch or not to switch -- a machine learning approach for ferroelectricity},
author = {Sabine M. Neumayer and Stephen Jesse and Gabriel Velarde and Andrei L. Kholkin and Ivan Kravchenko and Lane W. Martin and Nina Balke and Peter Maksymovych},
journal= {arXiv preprint arXiv:2004.08267},
year = {2020}
}