文献

J-GLOBAL ID：202002249657395257   整理番号：20A1086220

スイッチに対しない 強誘電性のための機械学習アプローチ【JST・京大機械翻訳】

To switch or not to switch - a machine learning approach for ferroelectricity

著者 (8件)： Neumayer Sabine M. (Center for Nanophase Materials Sciences, Oak Ridge National Laboratory, Oak Ridge, TN 37831, USA. [e-mail]) ,  Jesse Stephen ,  Velarde Gabriel ,  Kholkin Andrei L. ,  Kravchenko Ivan ,  Martin Lane W. ,  Balke Nina ,  Maksymovych Peter
資料名： Nanoscale Advances  (Nanoscale Advances)
巻： 2  号： 5  ページ： 2063-2072  発行年： 2020年 
JST資料番号： W5051A  ISSN： 2516-0230  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 物理学,化学および材料科学におけるますます精巧な実験技術の出現により,測定データはますます複雑になっている。可観測量は,典型的に,いくつかの刺激の関数であり,一連の実験パラメータにわたる多次元データセットをもたらす。例として,強誘電スイッチングを研究するための一般的なアプローチは印加電場の効果を観察することであるが,スイッチングは圧力によっても影響され,歪場,材料組成,温度,時間などによって影響される。さらに,パラメータは通常相互依存性があり,そのため,単変量測定または解析に対するそれらのデカップリングは簡単ではない可能性がある。一方,明示的および隠れたパラメータの両方が,測定された特性へのより深い洞察を得る機会を提供し,そのようなデータを捕捉し解析するための明確な経路が存在する。ここでは,適用した電場に対する材料系のヒステリシス応答を表すための新しい二次元アプローチを紹介した。モデルヒステリシス特性として強誘電分極を用いて,一つの制御電圧よりも二つの制御電圧に対する電気機械的応答の明確な考察が,電荷トラッピングと強誘電性の間の区別のような観測ヒステリシスのより透明でロバストな解釈を可能にすることを実証した。さらに,新しいデータ表現が,ヒステリシスの特定の形態に基づくサンプル温度のニューラルネットワークベースの推論に対する線形クラスタリングアルゴリズムによる履歴応答の起源の教師なし分類から,様々な機械学習方法論に容易に適合することを実証した。Copyright 2020 Royal Society of Chemistry All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： スイッチング ,  電場 ,  ヒステリシス ,  ニューラルネットワーク ,  *強誘電性 ,  データ表現 ,  デカップリング ,  線形性 ,  オブザーバブル ,  二次元 ,  歪場 ,  ロバスト性 ,  *機械学習 ,  材料科学
準シソーラス用語： 電荷捕獲 , 【Automatic Indexing@JST】

分類 (2件)： 強誘電体,反強誘電体,強弾性  (BM05030B) ,  圧電気,焦電気,エレクトレット  (BM05040M)

タイトルに関連する用語 (2件)： 強誘電性 ,  機械学習