橡树岭实验室Nat. Mach. Intell.: 主动学习用于发现铁电材料结构-性能关系

铁电材料中结构和拓扑缺陷的新兴涌现功能支撑了其从畴壁电子到高介电和机电响应的极其广泛的应用范围，许多功能已通过局部扫描探针显微镜方法被发现和量化。然而到目前为止，搜索一直是基于试错法或根据直觉/预先假设使用畴壁结构等辅助信息来识别潜在的感兴趣对象，随后进行人工探索。

在此，美国橡树岭国家实验室Maxim A. Ziatdinov, Sergei V. Kalinin等人开发和实施了基于深度核学习（DKL）的实验工作流程，用于主动发现铁电材料中的结构-性能关系。其中，DKL基于高斯过程（GP）回归，可以表示为GP与深度神经网络的组合。与使用单个（或少量）标量描述符来引导导航过程且不包含先验知识的经典贝叶斯优化（BO）策略相比，该方法使用结构图像中包含的数据来识别光谱测量的位置，并同时识别新位置建立结构-性能关系。

这一发现过程由预测行为及其不确定性构成的获取函数指导并反映了实验的目标，该目标可以是特定性能的优化、与给定模型的相似性或新颖性发现。通过这种方式，作者结合相关机器学习方法建立多维数据集之间的关系并获得相应的不确定性，并将基于人类物理的决策在获取函数的选择中进行编码。

图1. 随机采样数据的DKL重建

为了说明DKL在实验中的应用原理，作者进行了压电响应力显微镜（PFM）测量实验以研究极化滞后与铁电/铁弹性畴结构之间的关系。结果表明，当DKL由场内和场外磁滞回线引导时显示出不同的探索路径和采样点，这意味着场内和场外磁滞回线受不同机制支配。

此外，原则上DKL的深度神经网络部分可在来自相同或相似系统的先前实验数据上进行预训练，这在某种程度上相当于迁移学习，然而这需要对分布外漂移效应进行严格分析（如由于不同的显微镜设置）。同样，该工作流程可扩展到其他扫描探针显微镜（SPM）模式，包括电流-电压曲线或弛豫测量。

总之，这项研究提出的 DKL方法是通用的，可应用于广泛的现代成像和光谱方法，此外还可用于更复杂的参数空间，如组合扩展库或分子系统中的材料发现等。

图2. 基于DKL-BO的自动化PFM实验

Experimental discovery of structure–property relationships in ferroelectric materials via active learning, Nature Machine Intelligence 2022. DOI: 10.1038/s42256-022-00460-0

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/14/a1e7e80708/

橡树岭实验室Nat. Mach. Intell.: 主动学习用于发现铁电材料结构-性能关系

相关推荐