色噜噜久久综合伊人超碰,游泳私人教练120课当当书,欧美一区二区三区四区

橡樹嶺實驗室Nat. Mach. Intell.: 主動學習用于發現鐵電材料結構-性能關系

鐵電材料中結構和拓撲缺陷的新興涌現功能支撐了其從疇壁電子到高介電和機電響應的極其廣泛的應用范圍，許多功能已通過局部掃描探針顯微鏡方法被發現和量化。然而到目前為止，搜索一直是基于試錯法或根據直覺/預先假設使用疇壁結構等輔助信息來識別潛在的感興趣對象，隨后進行人工探索。

在此，美國橡樹嶺國家實驗室Maxim A. Ziatdinov, Sergei V. Kalinin等人開發和實施了基于深度核學習（DKL）的實驗工作流程，用于主動發現鐵電材料中的結構-性能關系。其中，DKL基于高斯過程（GP）回歸，可以表示為GP與深度神經網絡的組合。與使用單個（或少量）標量描述符來引導導航過程且不包含先驗知識的經典貝葉斯優化（BO）策略相比，該方法使用結構圖像中包含的數據來識別光譜測量的位置，并同時識別新位置建立結構-性能關系。

這一發現過程由預測行為及其不確定性構成的獲取函數指導并反映了實驗的目標，該目標可以是特定性能的優化、與給定模型的相似性或新穎性發現。通過這種方式，作者結合相關機器學習方法建立多維數據集之間的關系并獲得相應的不確定性，并將基于人類物理的決策在獲取函數的選擇中進行編碼。

圖1. 隨機采樣數據的DKL重建

為了說明DKL在實驗中的應用原理，作者進行了壓電響應力顯微鏡（PFM）測量實驗以研究極化滯后與鐵電/鐵彈性疇結構之間的關系。結果表明，當DKL由場內和場外磁滯回線引導時顯示出不同的探索路徑和采樣點，這意味著場內和場外磁滯回線受不同機制支配。

此外，原則上DKL的深度神經網絡部分可在來自相同或相似系統的先前實驗數據上進行預訓練，這在某種程度上相當于遷移學習，然而這需要對分布外漂移效應進行嚴格分析（如由于不同的顯微鏡設置）。同樣，該工作流程可擴展到其他掃描探針顯微鏡（SPM）模式，包括電流-電壓曲線或弛豫測量。

總之，這項研究提出的 DKL方法是通用的，可應用于廣泛的現代成像和光譜方法，此外還可用于更復雜的參數空間，如組合擴展庫或分子系統中的材料發現等。

圖2. 基于DKL-BO的自動化PFM實驗

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

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/14/a1e7e80708/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

橡樹嶺實驗室Nat. Mach. Intell.: 主動學習用于發現鐵電材料結構-性能關系

相關推薦