Electromechanical control of domains and domain walls in ferroelectric thin films
Contrôle électro-mécanique des domaines et frontières de domaines dans les couches ferroélectriques
Résumé
Ferroelectric thin films present significant potential for the advancement of modern nanoelectronic devices, as the manipulation of their domains and domain walls facilitates the development of innovative memory devices. Phase-field modeling is a preeminent mesoscale computational technique that provides critical physical insights into ferroelectric materials. However, its high computational cost limits its applicability in addressing complex and data-intensive inverse problems. In this dissertation, we initially introduce a comprehensive ferroelectric phase-field modeling framework. We demonstrate its utility in elucidating the physical phenomena underlying ferroelectric physics, specifically by examining nanocavity-assisted mechanical switching in PbTiO3 ferroelectric and the domain dynamics and ferroelectric imprint in polycrystalline Hf0.5Zr0.5O2 thin films. Subsequently, we introduce machine learning surrogates to accelerate phase-field simulations. We begin by illustrating how graph neural networks can expedite the prediction of ferroelectric hysteresis in polycrystalline Hf0.5Zr0.5O2 thin films, thereby enabling real-time calibration of Landau coefficients. Following this, we present machine learning surrogates capable of predicting the 3D domain state evolution in PbTiO3 phase-field simulations in an auto-regressive manner, highlighting the progressive incorporation of boundary conditions into the predictions. Finally, we introduce a reinforcement learning framework for the autonomous design of domain walls in scanning probe microscopy experiments, leveraging the phase-field machine learning surrogate as a rapid environment. Overall, we anticipate this work will pave the way for the synergistic use of phase-field modeling and machine learning to address contemporary challenges in ferroelectric materials.
Les couches minces ferroélectriques présentent un fort potentiel pour l'avancement des dispositifs nanoélectroniques modernes, car la manipulation de leurs domaines et parois de domaine permet le développement de dispositifs mémoire innovants. La modélisation de champ de phase est une technique computationnelle de premier plan qui fournit des informations physiques essentielles sur les matériaux ferroélectriques. Toutefois, son coût computationnel élevé limite son applicabilité pour résoudre des problèmes inverses complexes. Dans cette thèse, nous introduisons d'abord une méthodologie de modélisation de champ de phase ferroélectrique. Nous démontrons son utilité pour élucider les phénomènes physiques sous-jacents à la ferroélectricité, notamment en examinant le basculement mécanique assisté par nanocavités dans les ferroélectriques PbTiO3 et la dynamique des domaines ainsi que le phénomène d'empreinte ferroélectrique dans les couches minces polycristallines de Hf0.5Zr0.5O2. Nous introduisons ensuite des modèles substitutifs basés sur l'apprentissage automatique pour accélérer les simulations de champ de phase. Nous commençons par illustrer comment les réseaux de neurones en graphes peuvent accélérer la prédiction de l'hystérésis ferroélectrique dans les couches minces polycristallines de Hf0.5Zr0.5O2, permettant ainsi un calibrage en temps réel des coefficients de Landau. Par la suite, nous présentons des modèles de substitution d'apprentissage automatique capables de prédire l'évolution de l'état de domaine 3D dans des simulations de champ de phase de PbTiO3 de manière auto-régressive, en intégrant progressivement les conditions aux limites dans les prédictions. Enfin, nous introduisons un cadre d'apprentissage par renforcement pour la conception autonome de parois de domaine dans les expériences de microscopie à sonde locale, en s'appuyant sur le modèle de substitution de champ de phase pour fournir un environnement de simulation rapide. Nous prévoyons que ce travail ouvrira la voie à l'utilisation synergique de la modélisation de champ de phase et de l'apprentissage automatique pour répondre aux défis actuels liés aux matériaux ferroélectriques.
Mots clés
Domaines
| Origine | Version validée par le jury (STAR) |
|---|---|
| licence |
