奖励驱动的工作流程用于从原子分辨率成像数据中对相位和铁子变体的无监督可解释分析.

科学领域:

• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学
• 物理 物理学 物理

背景情况:

• 偏差校正电子显微镜产生复杂的成像数据,需要先进的分析.
• 无监督机器学习 (ML) 方法对于材料结构识别至关重要,但对超参数选择敏感.
• 优化这些ML工作流程对于准确的材料表征至关重要.

研究的目的:

• 探索描述符和超参数对材料结构分析无监督ML的影响.
• 开发一种以奖励为导向的方法,以优化电子显微镜数据中的ML超参数.
• 为了识别Sm-doped BiFeO3 (BFO) 薄膜中的极化和晶格扭曲.

主要方法:

• 应用无监督机器学习 (ML) 技术来分析电子显微镜成像数据.
• 为ML超参数开发了一个以奖励为导向的优化策略,专注于域壁连续性和直度.
• 利用一个优化的变化自编码器 (VAE) 来解开变化的结构因素.

主要成果:

• 证明以奖励为导向的方法有效地优化了材料结构分析的超参数.
• 成功识别了与物理行为一致的局部描述符,揭示了BFO薄膜中的极化和晶格扭曲.
• 展示了使用明确定义的奖励作为工作流成功的可量化的衡量标准.

结论:

• 一个奖励驱动的ML工作流程增强了对材料科学电子显微镜数据的分析.
• 这种方法通过将分析与物理行为对齐,为材料的基本物理提供了洞察力.
• 优化的超参数选择对于强大的材料结构识别和表征至关重要.