佐治亚理工&都柏林大学Small Methods: 机器学习分析缺陷丰富的PZT薄膜中复杂纳米级机电行为

在扫描探针显微镜（SPM）技术中，压电响应力显微镜 (PFM) 是探索铁电材料极化切换的高效工具。目前，基于机器学习（ML）的 PFM数据分析通常仅限于具有特殊机电耦合的材料，通常是块状或薄膜单晶。鉴于新兴铁电材料的机电性能较弱，建立可广泛使用的分析方法至关重要。

在此，美国佐治亚理工学院Nazanin Bassiri-Gharb、爱尔兰都柏林大学Brian J. Rodriguez等人结合使用电子显微镜、原子力显微镜以及带激发压电光谱与ML 分析，来表征脉冲热处理的富含缺陷（纳米级晶粒尺寸、孔隙率和第二相）的Pb(Zr,Ti)O₃（PZT）薄膜样品的微观结构和功能特性。

由于样本的缺陷性质，预计会有大量异常值。因此，在ML分析之前，需要进行适当的数据预处理以及高信息密度和场内外压电响应、场外接触共振频率的高维度叠加，这样能够区分铁电开关和非铁电滞后对纳米级机电响应的贡献。

图1. K均值聚类算法识别的四个贡献

结果表明，K均值聚类算法识别出对观察到响应的四个明显贡献，而字典学习（DL）确定了三个贡献。作者发现由K均值聚类算法识别的第四个贡献是其他贡献的混合（由K均值聚类和DL方法识别），证明了：

1) 异常值去除；

2) 最大化信息密度；

3)选择ML方法的重要性，其可以在单个探测点内容纳多个贡献。

在机电响应的三个主要贡献中，两个分别归因于铁电和非铁电（静电）现象，而第三个归因于两个或多个非铁电现象的局部重叠。这项工作为增强和稳健识别富含缺陷的铁电体或具有弱压电贡献的材料（有机-无机钙钛矿、萤石和二维铁电体）中的压电响应和滞后行为提供了蓝图。

图2. DL算法识别的三个贡献

Maximizing Information: A Machine Learning Approach for Analysis of Complex Nanoscale Electromechanical Behavior in Defect-Rich PZT Films, Small Methods 2021. DOI: 10.1002/smtd.202100552

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/0839686dc5/

佐治亚理工&都柏林大学Small Methods: 机器学习分析缺陷丰富的PZT薄膜中复杂纳米级机电行为

相关推荐

分享到：