ИИ создает фазовые диаграммы сегнетоэлектриков за 20 секунд
Процесс анализа данных сегнетоэлектрических материалов с помощью обработки естественного языка (Natural Language Processing, NLP). Автор: HKUST
Исследователи из Гонконгского университета науки и технологий (HKUST) и Университета Тунцзи разработали FerroAI — модель глубокого обучения, которая может создавать фазовые диаграммы для сегнетоэлектрических материалов всего за 20 секунд.
Используя FerroAI, команда обнаружила новый сегнетоэлектрический материал с исключительно высокой диэлектрической проницаемостью 11 051, что представляет собой значительный прогресс в исследованиях сегнетоэлектрических материалов с использованием ИИ. Их результаты, опубликованные в журнале npj Computational Materials, предлагают инновационный подход к ускорению проектирования и открытия функциональных материалов.
Это исследование под названием «FerroAI: модель глубокого обучения для прогнозирования фазовых диаграмм сегнетоэлектрических материалов» было совместно проведено профессором Шерри Чэнь Сянь (со-корреспондент автора), доцентом кафедры машиностроения и аэрокосмической техники HKUST, и доктором Чжан Чэньбо (первый автор и со-корреспондент), исследователем Школы физических наук и инженерии и Ключевой лаборатории передовых микроструктурных материалов MOE Университета Тунцзи, а также выпускником HKUST 2019 года с докторской степенью.
Сегнетоэлектрические материалы широко используются в датчиках, устройствах памяти и системах сбора энергии благодаря своим уникальным электрическим свойствам. Их производительность критически зависит от кристаллических структур, эволюция которых обычно характеризуется с помощью фазовых диаграмм состав-температура.
Традиционные подходы к построению этих диаграмм требуют синтеза многочисленных образцов с последующими обширными экспериментальными испытаниями и вычислительным анализом. Такой процесс обычно занимает месяцы или годы. Более эффективные стратегии построения фазовых диаграмм и прогнозирования материалов находятся на горизонте фундаментальных исследований в сообществе сегнетоэлектриков.
Предыдущие подходы машинного обучения могли прогнозировать фазовые переходы для конкретных материальных систем, но им не хватало достаточной обобщающей способности для точного захвата скрытых характеристик в различных семействах материалов. Чтобы решить эту проблему, исследовательская группа извлекла данные из более чем 40 000 опубликованных статей для создания комплексной базы данных фазовых переходов, охватывающей тысячи сегнетоэлектрических систем. С помощью передовых методов увеличения данных и интеллектуальных стратегий оптимизации параметров команда разработала и обучила модель глубокого обучения FerroAI.
Экспериментальная проверка показала, что FerroAI достигает более 80% точности прогнозирования для множественных кристаллических структур, одновременно предоставляя информацию о критических ролях различных легирующих элементов на определенных узлах решетки. Примечательно, что задачи, которые традиционно требуют месяцев работы по разработке материалов, теперь могут быть выполнены ИИ всего за 20 секунд.
Статистика классифицированного набора данных о фазовых переходах сегнетоэлектриков. Автор: HKUST
Профессор Чэнь сказала: «Это исследование демонстрирует важность высококачественных наборов данных. Кроме того, успех прогнозирования фазовых диаграмм предполагает, что исследовательская парадигма материаловедения перестраивается ИИ, что способствует быстрому открытию новых функциональных материалов».
Это достижение представляет собой важный прогресс команды в области интеллектуальных материалов. Впервые достигнута тесная интеграция прогнозирования фазовых переходов и экспериментальной проверки для различных материальных систем. Это демонстрирует огромный потенциал ИИ в ускорении как фундаментальной науки, так и прикладных исследований.
Больше информации: Chenbo Zhang et al, FerroAI: a deep learning model for predicting phase diagrams of ferroelectric materials, npj Computational Materials (2025). DOI: 10.1038/s41524-025-01778-0
0 комментариев