《npj Computational Materials》：PTST: a polar topological structure toolkit and database
编辑推荐：
本研究针对铁电氧化物超晶格中拓扑结构研究面临的数据共享机制缺乏、重复数据生成、模拟与实验壁垒高以及现有数据集未充分利用等挑战，开发了名为"极性拓扑结构工具包和数据库(PTST)"的社区驱动平台。该平台整合了高通量相场模拟标准数据集和用户提交的非标准数据集，采用GL-Transformer神经网络架构对极化状态进行分类，建立了十种拓扑类别。通过PTST网络界面，用户可根据特定参数或实验图像匹配快速检索极化数据，二元相图生成器可在数秒内创建应变和电场相图。该工具显著降低了计算负荷，促进了可重复研究，为铁电拓扑转变研究提供了重要支持。
在材料科学和凝聚态物理领域，铁电氧化物超晶格中复杂的拓扑结构研究近年来引起了广泛关注。这些结构包括极性涡旋、斯格明子、通量闭合畴等，不仅展现了迷人的物理现象，更在下一代电子器件中显示出巨大的应用潜力。然而，该领域的发展正面临多重挑战：不同研究团队往往重复生成相同参数的数据，缺乏有效的数据共享基础设施，模拟与实验之间存在较高壁垒，以及大量模拟数据在解决特定研究问题后未被充分利用。
针对这些问题，浙江大学等单位的研究团队在《npj Computational Materials》上发表了题为"PTST: a polar topological structure toolkit and database"的研究论文，提出了一个创新的解决方案——极性拓扑结构工具包和数据库(PTST)。该平台通过整合标准数据集和用户提交的非标准数据集，构建了一个全面的铁电极化配置资源库。
研究团队采用了几项关键技术方法：通过高通量相场模拟系统改变超晶格层厚度、施加电压和基底应变等关键参数生成标准数据集；开发GL-Transformer神经网络架构进行特征提取，将每个样本划分为空间子块并提取层次特征；使用凝聚聚类算法(Ward连接)对128维嵌入向量进行分类；建立基于ResNet18的图像匹配模型，实现实验图像与模拟数据的快速比对；设计双结构数据库系统，分别管理标准数据和非标准用户提交数据。
PTST数据库的构建与应用
PTST数据库包含两种类型的数据：通过高通量相场模拟生成的标准数据集，以及用户通过官方PTST网站上传的空间极化数据组成的非标准数据集。标准数据集包含2,541个以.in格式存储的极化配置，这些数据被压缩为.npz格式以确保高保真存储和便捷检索。非标准数据集则包含计算和实验测量的极化配置和形态，以及可选参数和描述信息。
PTST采用全局-局部变换器(GL-Transformer)对极化状态进行分类。该网络将每个样本沿XY平面分成四个块，并沿Z轴进一步分为上下两层，共产生八个子块。每个子块通过BlockTransformer模块处理，产生128维嵌入，这些嵌入随后组合成全局表示。这种网络架构具有三大优势：通过注意力机制建模全局上下文，捕获三个极化分量之间的空间依赖性和相互作用；动态聚焦每个子块内的重要区域；通过堆叠编码器结构实现多尺度特征提取。
分层聚类分类
基于深度学习特征提取，每个数据样本的128维嵌入 undergoes hierarchical clustering for classification, as illustrated in Figure 2. 采用Ward连接的凝聚聚类算法进行聚类分析，该过程完全无监督，不需要预定义标签，让数据本身决定簇的形成。
主成分分析(PCA)将高维嵌入降维至两个主成分，通过可视化数据点更容易识别簇边界。分层过程生成树状图，通过建立适当的切割平面确定最终的十个簇。这些簇表现出高度的内部一致性和簇间清晰区分，证明了GL-Transformer嵌入在捕获涡旋、斯格明子和其他铁电畴等配置中的基本结构变化的有效性。
研究团队进一步研究了通过分层聚类在PTST标准数据库中识别出的十个不同极化类别的细节。这些类别不仅包括三个具有不同取向的简单单畴状态，还包括更复杂的配置，如a/c畴、a1/a2畴、迷宫图案、斯格明子、涡旋和混合结构。十个类别中的数据几乎均匀分布，尽管单畴状态的样本数量略高于复杂极性拓扑。
PTST数据库的快速数据搜索
开发了在线开源平台，简化从PTST生成和检索极化配置的过程。用户可以通过两种方法访问极化数据：精确搜索允许用户输入特定参数，如xsub、ysub、电压和超晶格厚度，直接从标准数据库获取相应的极化数据、横截面图像和3D极化图；模糊搜索用户提供目标拓扑结构和近似参数范围，系统首先识别相关结构类别，然后进行基于参数的匹配。
研究表明，使用PTST生成的数据进行相场模拟时，能够在500个时间步内快速弛豫到稳定能态，而相同条件下从随机噪声开始的模拟需要超过5,000个时间步才能达到相同平衡状态。这种显著差异突出了PTST如何显著降低计算成本，使研究人员能够专注于科学探索而非重复数据生成。
图像匹配模块
除了基于参数的检索系统外，还开发了基于图像的搜索模块。该模块利用深度学习模型将实验极化图像(如从透射电子显微镜(TEM)或压电力显微镜(PFM)获得的图像)与创建的标准数据库进行匹配。
在该工作流程中，每个上传的图像经过对比度优化预处理，确保TEM和PFM信号充分归一化。特征提取神经网络将图像编码为高维向量，然后使用余弦相似度与数据库中模拟薄膜截面的预计算特征库进行比较。一旦识别出最佳匹配，平台为用户提供横截面快照(XY和XZ视图)、三维极化图、相关结构参数以及直接下载匹配极化数据的选项。
二元相图生成器
开发了名为二元相图生成器的工具包，用于使用PTST数据库中的数据预测相图。该工具允许用户选择两个变量来表示图的轴(例如x轴上的x_sub和y轴上的电压)，而其他参数可以根据实验或理论需求固定。
模型预测的相图成功捕获了大多数畴转变和整体拓扑结构。通过映射各种域配置之间的转变，该工具包提供了关于外部或结构变量的细微变化如何影响最终极化景观的宝贵见解。研究人员可以有效区分不同相的关键边界，并确定稳定特定拓扑畴的最佳条件。
研究结论与展望
PTST提供了一个全面的铁电空间极化配置及其相关元数据存储库。该存储库采用包含标准和非标准数据集的双结构设计组织。标准数据集通过高通量相场模拟生成，而非标准数据集通过用户贡献不断扩展。GL-Transformer架构与凝聚聚类相结合，有效捕获了这些极化状态的复杂性，并识别出十个不同的类别，包括涡旋和斯格明子结构，以及在PbTiO3/SrTiO3超晶格系统中发现的各种其他复杂畴结构。
除了静态分类外，PTST平台提供基于参数和基于图像的空间极化数据检索，允许快速构建定制域配置。即用型数据显著加速了相场模拟，并最大限度地减少了不必要的计算工作。值得注意的是，该平台的基于图像的搜索模块使研究人员能够上传实验TEM或PFM图像，快速找到最接近的匹配极化状态。该特性有效弥合了模拟与实验之间的差距。
展望未来，研究团队计划通过纳入更多物理变量(如温度、应力和光泵浦)进一步扩展PTST。此外，将进一步开发机器学习工具以增强工具包的预测能力。与高级模拟软件的简化兼容性和自动化工作流程将提高更新、分析和可视化演进数据集的效率。最终，PTST旨在成为一个持续增长的社区驱动资源，推动铁电拓扑材料的发现，鼓励协作创新，并为下一代理论和实验突破铺平道路。
该研究通过创建综合数据库和工具包，解决了铁电拓扑结构研究领域的关键瓶颈问题，为材料基因组倡议在复杂氧化物材料中的应用提供了重要范例，有望加速新型功能材料的设计和开发进程。
