（上圖左起）陳弦博士、張晨波博士

香港科技大學、同濟大學合作，研發了一款深度學習模型 FerroAI。該模型僅需 20 秒即可繪製鐵電材料的組分 – 溫度相圖，並成功預測出介電常數高達 11,051 的新型鐵電材料。研究成果已發表於《npj Computational Materials》。

論文：

• http://dx.doi.org/10.1038/s41524-025-01778-0

研究背景

鐵電材料因其獨特的電學性能，在感測器、儲存器及能源收集等領域具有廣泛應用。不過，其性能高度依賴於晶體結構，而晶體結構的演化通常通過組分 – 溫度相圖來揭示，而傳統構建相圖的方法，需要合成大量樣品、進行系統實驗和計算，耗時長久，嚴重制約了新材料研發效率。

過去的機器學習技術，雖能在單一體系中預測相變，但在跨材料體系中，會因為泛化能力不足而難以準確捕捉規律。這已成為了國際學術界面臨的普遍難題。

研究成果

科大機械及航空航天工程學系副教授陳弦博士、同濟大學物理科學與工程學院、先進微結構材料教育部重點實驗室研究員張晨波博士合作，挖掘了 41,597  篇文獻，對 846  種鐵電材料中的  2,838  個相變，料創建了相變數據庫，並結合數據增強與智能化調參策略，訓練出深度學習模型 FerroAI。

實驗驗證表明，FerroAI 在多種晶體結構中的預測準確率，超過 80%，並能夠解釋不同摻雜元素在晶格中的關鍵作用機制。依靠傳統實驗流程至少需耗時數月的材料研發，如今 FerroAI 僅用 20 秒即可完成。

團隊利用 FerroAI 在  Zr/Hf  共摻雜  BT–x BCT  體系中，識別出一個位於  x = 0.3  的形變相界（morphotropic phase boundary），這一結果成功引導團隊發現了一種新型鐵電材料。實驗顯示，該新材料的介電常數高達  11,051，遠超許多已知鐵電材料。這驗證了模型預測的可靠性與指導意義。陳弦博士表示，這項研究不僅展示了高品質數據本身的重要性，也表明人工智能正在重塑材料科學的研究範式。

研究團隊

論文由陳弦博士、張晨波博士合著，二人是共同通訊作者。第一作者是張晨波博士，他此前於科大獲得相關博士學位。

來源：香港科技大學

如欲知道更多教科相關消息，請留意京港 Facebook 專頁：https://www.facebook.com/BHKAEC