Reward driven workflows for unsupervised explainable analysis of phases and ferroic variants from atomically resolved imaging data

要約

収差補正電子顕微鏡法の急速な進歩により、画像データから相、フェロイック変異体、および材料構造のその他の関連する側面を識別するための堅牢な方法の開発が必要になっています。
クラスタリングと分類のための教師なし手法はこれらのタスクに広く使用されていますが、そのパフォーマンスは分析ワークフローでのハイパーパラメータの選択に影響される可能性があります。
この研究では、Sm ドープ BiFeO3 (BFO) 薄膜における分極と格子歪みの発見によって例証される、局所構造情報を抽出する教師なし ML 法の能力に対する記述子とハイパーパラメーターの影響を調査します。
私たちは、報酬主導のアプローチを使用して、ワークフロー全体にわたってこれらの主要なハイパーパラメーターを最適化できることを実証します。報酬はドメイン壁の連続性と直線性を反映するように設計されており、解析が材料の物理的挙動と確実に一致するように設計されています。
このアプローチにより、特定の物理的挙動と最もよく一致する局所記述子を発見することができ、材料の基本的な物理学への洞察が得られます。
報酬主導のワークフローをさらに拡張し、最適化された変分オートエンコーダー (VAE) を介して変動の構造的要因を解きほぐします。
最後に、ワークフローの成功を定量化できる尺度として、明確に定義された報酬の重要性が検討されました。

要約(オリジナル)

Rapid progress in aberration corrected electron microscopy necessitates development of robust methods for the identification of phases, ferroic variants, and other pertinent aspects of materials structure from imaging data. While unsupervised methods for clustering and classification are widely used for these tasks, their performance can be sensitive to hyperparameter selection in the analysis workflow. In this study, we explore the effects of descriptors and hyperparameters on the capability of unsupervised ML methods to distill local structural information, exemplified by discovery of polarization and lattice distortion in Sm doped BiFeO3 (BFO) thin films. We demonstrate that a reward-driven approach can be used to optimize these key hyperparameters across the full workflow, where rewards were designed to reflect domain wall continuity and straightness, ensuring that the analysis aligns with the material’s physical behavior. This approach allows us to discover local descriptors that are best aligned with the specific physical behavior, providing insight into the fundamental physics of materials. We further extend the reward driven workflows to disentangle structural factors of variation via optimized variational autoencoder (VAE). Finally, the importance of well-defined rewards was explored as a quantifiable measure of success of the workflow.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google