机器学习: 铁电相稳定性评估与新掺杂剂识别

本文介绍了机器学习在材料科学中的应用，特别是针对HfO2铁电薄膜的相稳定性评估和新掺杂剂的识别。研究团队结合了高通量第一性原理计算、机器学习及实验验证，采用SISSO策略建立了多阶段材料设计框架，成功构建了一个高可靠性和高准确性的铁电HfO2材料机器学习模型。该模型揭示了HfO2材料的铁电相稳相机理，并提出了其相稳定性评价方法。通过机器学习模型的预测，研究团队成功制备了HfGaO铁电薄膜，并验证了镓掺杂对铁电性能的影响。该研究为HfO2基铁电材料的设计和性能预测提供了新的思路。