Investigadores han desarrollado un método basado en aprendizaje automático para analizar datos de microscopía electrónica de transmisión de barrido de cuatro dimensiones (4D-STEM), permitiendo un mapeo de polarización más rápido y preciso en materiales ferroeléctricos. Esta técnica aborda las limitaciones de los métodos tradicionales, que son computacionalmente intensivos y a menudo requieren suposiciones simplificadoras sobre la estructura del material. El nuevo enfoque acelera el procesamiento de datos y mejora la caracterización de las propiedades ferroeléctricas a escala nanométrica.

El mapeo de polarización es crucial para entender y diseñar materiales ferroeléctricos, que tienen aplicaciones en memorias, sensores y actuadores. Los métodos convencionales para analizar los patrones de difracción obtenidos con 4D-STEM, como el ajuste de modelos de discos de centro de masa (CoM) o el análisis de picos de función de distribución de pares (PDF), son lentos y pueden introducir artefactos. La complejidad de estos análisis ha limitado la aplicación a gran escala del 4D-STEM para la caracterización de la polarización. Este avance busca superar esas barreras mediante la automatización y optimización del proceso.

El equipo utilizó redes neuronales convolucionales (CNNs) entrenadas con simulaciones de patrones de difracción de 4D-STEM para predecir la polarización local. Este entrenamiento con datos simulados permite que el modelo aprenda a identificar las características relevantes en los patrones de difracción sin necesidad de un etiquetado manual exhaustivo de datos experimentales. Los resultados demuestran que el método de aprendizaje automático no solo es significativamente más rápido, sino que también proporciona una mayor precisión en la determinación de la polarización en comparación con las técnicas existentes, abriendo nuevas vías para la investigación de materiales ferroeléctricos.