法国斯特拉斯堡大学S. Cherifi-Hertel团队APXR：基于机器学习辅助的局部非线性光响应分析的铁电畴自动模式识别

铁性材料在外部场下铁性序具有可切换性，其中由纳米和介观尺度局部有序参数排列形成的畴结构控制着这些材料的功能性质。例如，可以通过铁电材料中偏振的周期性排列来设计非线性光学晶体，其中畴周期可控制光子晶体的波长。畴边界区域还可以呈现与相邻畴不同的独特特性，这进一步增加了材料的功能性。因此，在铁性材料研究领域，由于较小的畴尺寸和畴的复杂性，需要先进的成像方法来辅助研究。现代像差校正透射电子显微镜（TEM）是解决复杂偏振纹理的最合适技术，但这种方法很难应用，因为用于TEM测量的样品制备通常很困难且具有破坏性。此外，TEM获得的信息仅限于很小的区域，可能不能代表整体样品特性。为此，研究者相继使用了压电响应力显微镜、低能电子显微镜和X射线光发射电子显微镜等表征方法，但都有各自的限制和缺陷。另一方面，不使用电子显微镜的光学研究则不需要复杂的样品制备，但传统的光学分析分辨率有限，不能很好地用于畴结构的观察。

近日，来自法国斯特拉斯堡大学的Salia Cherifi-Hertel团队在Advanced Physics Research上发表了研究文章，提出使用机器学习来辅助铁性材料的光学图像解析，从而获得人眼无法分辨的畴结构信息。

在本工作中，团队研究了在Si（111）基底上外延生长的GeTe薄膜的畴结构。通过无监督机器学习的方法，对横向分辨的二次谐波产生（SHG）旋光图像进行分析，并自动提取了不同的极性畴变体。同时，研究团队通过对局部SHG极坐标图像的逐像素手工分析，以及垂直和横向压电响应力显微镜表征结果，验证了机器学习方法所获得的结果。结果显示，该GeTe薄膜上存在四种不同结构的畴变体。

作者表示：这种由机器学习方法辅助的图像分析，最大限度地减少了分析过程中地人为干预，并能避免繁琐地逐像素拟合过程，加快数据处理。此外，机器学习方法可以解析薄膜中的畴类型，而这些类型在传统的人眼SHG分析中是无法检测到的。