铁电性能的宝藏相图：AI真能秒开？

香港科技大学（科大）与同济大学的研究人员成功研发出深度学习模型FerroAI。该模型仅需20秒，即可绘制铁电材料的组分–温度相图，并预测出介电常数高达11,051的新型铁电材料。FerroAI的出现，标志著人工智能赋能铁电材料研发的新纪元。该研究成果已发表于国际知名学术期刊《npj Computational Materials》，为加速新型功能材料的设计与发现提供了创新方案。

论文题为「FerroAI：一种用于预测铁电材料相图的深度学习模型」，由科大机械及航空航天工程学系副教授陈弦（共同通讯作者），以及同济大学物理科学与工程学院、先进微结构材料教育部重点实验室研究员张晨波博士（第一作者、共同通讯作者及2019年科大博士毕业生）联合完成。

铁电材料因其独特的电学性能，在感测器、储存器及能源收集等领域具有广泛应用。然而，其性能高度依赖于晶体结构，而晶体结构的演化通常通过组分–温度相图来揭示。传统构建相图的方法往往需要合成大量样品、进行系统实验和计算，耗时数月甚至更久，严重制约了新材料研发效率。因此，全球科研界一直在探索更加高效的相图构建与材料预测方法。

过去的机器学习技术虽能在单一体系中预测相变，但在跨材料体系时，因泛化能力不足而难以准确捕捉规律，这成为国际学术界面临的普遍难题。为突破这一瓶颈，本团队挖掘了超过四万篇文献，对千余种铁电材料创建相变数据库。结合数据增强与智能化调参策略，训练出深度学习模型FerroAI。实验验证表明，FerroAI在多种晶体结构中的预测准确率超过80%，并能够解释不同掺杂元素在晶格中的关键作用机制。依靠传统实验流程至少需耗时数月的材料研发，如今AI仅用20秒即可完成。

陈教授表示：「这项研究不仅展示了高品质数据本身的重要性，也表明人工智能正在重塑材料科学的研究范式。FerroAI让我们得以更快探索铁电材料性能的潜力，推动新型功能材料的快速发现。」

此次成果是团队在材料智慧化领域取得的重要进展。通过FerroAI，首次实现了跨材料体系的相变预测与实验验证的紧密结合，展现出AI在加速基础科学与应用研究中的巨大潜力。