Detailansicht
Polarization of ferroelastic domain boundaries in strontium titanate
Justin Pils
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Physics
Betreuer*in
Christoph Dellago
DOI
10.25365/thesis.80138
URN
urn:nbn:at:at-ubw:1-31049.18104.232221-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Polarität ferroelektrischer Antiphasengrenzen (APB) in SrTiO3 (STO) wurde in den letzten Jahren eingehend untersucht. Während frühere Arbeiten unter Verwendung von First-Principles-Methoden die makroskopische Polarisation analysierten, die in ferroelastischen twin boundaries (TB) in STO auftritt, waren sie durch die begrenzten Systemgrößen, die mit den verwendeten Methoden zugänglich waren, eingeschränkt. Aufgrund der weitreichenden inhomogenen Deformation ist es unmöglich Standard-Ab-initio-Methoden zu verwenden, da der Rechenaufwand mit der Systemgröße, die zur Berücksichtigung der weitreichenden Effekte erforderlich ist, drastisch ansteigt. In dieser Arbeit wurde die Temperatur- und Druckabhängigkeit der einzelnen Polarisationskomponenten unter Verwendung maschinell gelernter interatomarer Potenziale untersucht, um diesen limitierenden Faktor zu überwinden. Das Training eines neuronalen Netzwerkpotenzials (NNP) mit ausreichender Genauigkeit erfordert in der Regel eine große Anzahl an ab-initio Daten. Durch das finetuning vortrainierter MACE foundation Modelle konnte diese Einschränkung überwunden werden, sodass die Entwicklung eines angemessen genauen NNPs unter Verwendung nur einer Handvoll ab-initio Konfigurationen möglich war. Darüber hinaus wurde ein Analysetool entwickelt, um den Ordnungsparameter (OP) und die Polarisationsprofile aus Molekulardynamik Trajektorien zu extrahieren. Die resultierenden OP Profile stimmen mit denen in der Literatur überein und bestätigen die korrekte Kristallstruktur für ferroelastische TBs. Die aus relaxierten Superzellen extrahierte Polarisation zeigt das erwartete Verhalten für alle simulierten Drücke hinweg. Während die OP und Polarisation in head-tail TBs, gemittelt über MD Trajektorien, die erwarteten Profile aufweisen, weichen die OP und Polarisation in head-head MD Trajektorien stark von den antizipierten Profilen ab.
Abstract
(Englisch)
The polarity of ferroelectric antiphase boundaries (APB) in SrTiO3 (STO) has been studied in depth over the past years. While previous works have analyzed the macroscopic polarization emerging in ferroelastic twin boundaries (TB) in bulk STO using first principle methods, they were challenged by the limited system sizes accessible to the methods used. Long range inhomogenous strain makes it impossible to use standard ab initio Methods as the computational cost increases drastically with the system size required to Account for long range effects. In this thesis the temperature and pressure dependence of the individual polarization components were investigated using machine learned interatomic potentials to overcome this limiting factor. Training a neural network potential (NNP) to reasonable accuracy generally requires a large set of ab initio data. By finetuning pretrained MACE foundation models, this limitation was overcome, allowing the development of a reasonably accurate NNP using only a handful of ab initio configurations. Furthermore, a custom post processing tool was developed to extract the order parameter (OP) and polarization profiles from molecular dynamics trajectories. The resulting OP profiles agree with the ones reported in the literature confirming the correct atomistic structure for ferroelastic TBs. The polarization extracted from relaxed supercells show the expected behavior across all pressures. While the OP and polarization in head-tail TBs averaged over molecular dynamics trajectories show the expected profiles, the OP and polarization in head-head MD trajectories deviated heavily from the anticipated profiles.
Schlagwörter
Schlagwörter
(Deutsch)
Ferroelastische Domänenwände Molekulardynamik Equivariante Neuronale Netzwerke Dichtefunktionalstheorie Polarisation Festkörperphysik Statistische Mechanik Maschinelles Lernen Strontiumtitanat Strukturelle Phasenübergänge Perovskite Active Learning Algorithmus
Schlagwörter
(Englisch)
Ferroelastic Domain Boundaries Molecular Dynamics Equivariant Neural Networks Density Functional Theory Polarization Statistical Mechanics Strontium Titanate Solid State Physics Structural Phase Transitions Perovskites Machine Learning Active Learning Algorithm
Autor*innen
Justin Pils
Haupttitel (Englisch)
Polarization of ferroelastic domain boundaries in strontium titanate
Paralleltitel (Deutsch)
Polarisation ferroelastischer Domänenwände in Strontiumtitanat
Publikationsjahr
2025
Umfangsangabe
vii, 44 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Christoph Dellago
AC Nummer
AC17763431
Utheses ID
78728
Studienkennzahl
UA | 066 | 876 | |