金属学报

作者：刘仕, 黄佳玮, 武静

单位：1 西湖大学 理学院 物理系 杭州 310030；2 香港大学 机械工程系 香港 999077

关键词：铁电材料,分子动力学,机器学习,深度势能,

基金：国家自然科学基金项目(92370104)

铁电材料作为一类具有自发极化且极化外场可控的功能材料，在非易失信息存储方面有着广阔的应用前景，同时也面临着许多挑战。铁电材料的性能与在外场作用下极化的动力学行为密切相关，在观测精度受限的实验条件下，高精度的原子级材料模拟手段显得尤为重要。分子动力学为在较大的空间和时间尺度上研究材料动力学过程提供了理想的手段，然而受制于传统力场精度差、开发难度高、可移植性差等问题，基于经典力场的分子动力学模拟在新材料上的应用受到了较大的阻碍。机器学习方法的发展为力场开发带来了新的思路。在众多机器学习势中，深度势能(DP)是一种基于深度神经网络的势能模型，具备与密度泛函理论(DFT)相媲美的精度，同时还拥有接近传统经典力场的高效计算性能。本文主要介绍了DP在铁电材料中的开发与应用，通过DP模拟，在原子尺度深入探究铁电材料中的相变机制和极化反转过程。主要工作包括重要铁电材料HfO2、经典钙钛矿铁电材料的深度势开发和测评，基于深度势能分子动力学揭示铁电HfO2中超高O2-迁移率的微观机制，以及SrTiO3极性畴界诱导的挠曲铁电和体光伏效应。

来源：2024年第10期

《金属学报》期刊编辑部

查看金属学报杂志2024年第10期