Npj Comput. Mater. : 铁电相图表征干一年， AI一秒干完还有闲

主要观点总结

海归学者发起的公益学术平台分享了关于铁电材料电学性能与晶体结构之间关系的信息。文章重点介绍了传统构建相图方法的不足以及利用深度学习模型FerroAI预测铁电材料组分-温度相图的研究。该模型通过挖掘大量文献数据训练而成，并经过实验验证，具有较高的预测准确率。此外，研究团队还利用该模型预测并实验合成两种新型铁电材料，发现了掺杂对相变温度的调控规律，并在锆铪共掺杂钛酸钡体系中发现新型介电材料。该研究不仅加速了新型铁电材料的设计与发现，还为人工智能在材料科学领域的应用提供了新范式。

关键观点总结

关键观点1: 传统构建相图方法的不足

传统方法主要依赖实验合成和表征，需要大量时间和资源。早期的机器学习模型在跨材料体系时泛化能力不足。

关键观点2: FerroAI模型的研发

张晨波研究员和陈弦副教授团队通过挖掘文献数据，训练出深度学习模型FerroAI，用于预测铁电材料的组分-温度相图。模型结合数据增强和智能化调参策略，优化性能，预测准确率超过80%。

关键观点3: FerroAI模型的应用与验证

研究团队利用FerroAI模型预测了多种晶体结构的相图，并通过实验合成两种新型铁电材料进行验证。特别是在锆铪共掺杂钛酸钡体系中，发现了一种新型介电材料，其介电常数高达11,051。

关键观点4: 研究意义

该研究不仅展示了高质量数据集对研发具有跨材料体系和强泛化能力深度学习模型的重要性，还以人工智能赋能的科学新范式，加速了新型铁电材料的设计与发现。