物理科学与工程学院“同济晶体”团队张晨波特聘研究员研发预测铁电材料相图的深度学习模型FerroAI，发表于《Npj Comput. Mater.》

近日，物理科学与工程学院“同济晶体”团队张晨波特聘研究员，在人工智能赋能的铁电材料组分-温度相图预测方面，取得重要进展，研究成果以“FerroAI: a deep learning model for predicting phase diagrams of ferroelectric materials”为题发表于国际知名期刊《Npj Computational Materials》，实现铁电材料组分-温度相图的快速、准确预测。

图1 利用自然语言处理对铁电相变研究文献进行数据挖掘构建相转变数据集

铁电材料研究中，描述晶体结构演化的组分-温度相图是电学性能的藏宝图。但是，传统构建相图的方法通常需要数月以上，消耗大量实验与计算资源。尽管早期的机器学习能在单一材料体系内预测相变，但跨材料体系时，由于泛化能力不足而难以得到准确结果。针对这些挑战，“同济晶体”团队张晨波特聘研究员，联合香港科技大学陈弦副教授，通过挖掘4万多篇文献，收集了800多种铁电材料、约2800条高质量相变数据，并训练出一个深度学习模型FerroAI。

图2 利用FerroAI模型预测相图和指导新型铁电材料的研发

FerroAI模型学习出了在不同格位的掺杂元素对晶体结构稳定性的关键影响，在多种晶体结构上的预测准确率超过80%。除了与文献中不同材料体系的实验结果进行验证之外，还预测出了两种新型铁电材料的相图，并进行了实验验证。结果显示，FerroAI准确捕捉了掺杂对相变温度的调控规律。特别是在锆铪共掺杂钛酸钡体系中，还预测出了多型相界，并通过实验发现了一种新材料，其介电常数最高达11051，大幅高出邻近组分。这样的发现以传统研究需耗时数月以上，但是，FerroAI只需20秒就能够实现。该研究以人工智能赋能的科学新范式，加速了新型铁电材料的设计与发现。

我院“同济晶体”团队张晨波特聘研究员为论文第一作者，与香港科技大学陈弦副教授为共同通讯作者。该项工作得到了国家自然科学基金、中央高校基础科研业务费项目和香港研究资助局等项目支持。近年来，“同济晶体”团队以人工智能赋能的科研新范式取得一系列研究进展，在先进材料的数据挖掘、深度学习模型方面申报多项国家发明专利。团队未来将瞄准国家重大需求，研发出更多关键材料专业大模型。

论文链接：https://www.nature.com/articles/s41524-025-01778-0