Beschleunigte Entdeckung supratetragonaler Perovskite mit riesiger Polarisation durch maschinelles Lernen

Warum die Suche nach neuen Kristallen wichtig ist

Von schnelleren Speichermodulen über effizientere Solarzellen bis hin zu Sensoren, die den feinsten Kontakt wahrnehmen können: Viele aufkommende Technologien beruhen auf einer speziellen Materialklasse, den Ferroelektrika, die eine eingebaute elektrische Polarisation tragen. Je stärker und stabiler diese innere elektrische Ausrichtung ist, desto leistungsfähiger und vielseitiger lassen sich die Bauteile gestalten. Diese Studie zeigt, wie die Kombination aus maschinellem Lernen und quantenmechanischen Simulationen rasch neue ferroelektrische Kristalle mit außergewöhnlich großer Polarisation aufdecken kann, die zuvor unbekannt waren, und so Jahre laborbasierter Versuch‑und‑Irrtum‑Arbeit in eine zielgerichtete digitale Suche verwandeln könnte.

Kristalle dehnen, um elektrische Leistung zu steigern

Viele der besten Ferroelektrika teilen ein gemeinsames Kristallgerüst, die Perovskitstruktur, bei der Atome an Ecken, Flächen und im Zentrum eines sich wiederholenden Würfels sitzen. Wird dieser Würfel so gestreckt, dass seine Höhe deutlich größer als seine Breite wird, entsteht die sogenannte „supertetragonale“ Struktur und die interne elektrische Polarisation kann stark zunehmen. Solche extremen Formen sind jedoch meist schwer zu stabilisieren und erfordern oft spezielle Dünnfilm‑Wachstumsbedingungen, hohen Druck oder Defekte. Die Autoren suchten gezielt nach Perovskiten, die diese stark gestreckte Form natürlich annehmen und bei gewöhnlicher Raumtemperatur stabil bleiben, wodurch sie sich deutlich leichter in realen Bauteilen einsetzen ließen.

Der Computer lernt, vielversprechende Rezepturen zu erkennen

Anstatt Tausende möglicher chemischer Rezepturen einzeln zu testen, trainierte das Team ein Modell des maschinellen Lernens, das erkennt, welche Elementkombinationen wahrscheinlich zu einem stark gestreckten Kristall führen. Ausgehend von 95 bekannten Perovskiten beschrieben sie jedes Material mit einer kompakten Menge von zehn grundlegenden Größen, etwa wie stark verschiedene Atome Elektronen anziehen, wie groß die Ionen sind, und einfachen geometrischen Maßen, die erfassen, wie gut die Bausteine zusammenpassen. Die Aufgabe des Modells war vorherzusagen, ob das Höhen‑zu‑Breiten‑Verhältnis eines Materials eine Schwellwerte überschreitet, der den supertetragonalen Zustand signalisiert. Nach dem Vergleich mehrerer Algorithmen zeigte sich, dass ein als Extra Trees klassifizierter Ansatz die gestreckten von den normalen Strukturen in ihren Testdaten perfekt unterscheiden konnte, sodass man zuversichtlich war, das Modell auf einen deutlich größeren Kandidatenpool anzuwenden.

Tausende Kandidaten auf wenige aussichtsreiche reduzieren

Mit diesem digitalen Filter erkundeten die Forschenden einen Gestaltungsraum von 2.021 möglichen Perovskiten, die aus unterschiedlichen Kombinationen positiv und negativ geladener Ionen aufgebaut sind. Das Modell klassifizierte zunächst 130 davon als wahrscheinlich stark gestreckt. Anschließend wendete das Team zusätzliche einfache Strukturregeln an, basierend auf bekannten Grenzen für geometrische Stabilität, um Kristalle auszusortieren, die vermutlich kollabieren oder in andere Formen verzerren würden. Dieser Schritt reduzierte die Liste auf 56 neue Oxid‑Perovskite mit vielversprechenden Gestalten. Für diese führten sie detaillierte quantenmechanische Simulationen durch, um die Kristallstrukturen zu bestätigen, gegebenenfalls verschiedene magnetische Anordnungen zu untersuchen und zu berechnen, wie sich die Atome verschieben, wenn das Material polarisiert — ein entscheidender Faktor zur Abschätzung der elektrischen Antwort.

Acht herausragende Materialien und was sie besonders macht

Die kombinierte Screening‑ und Simulationskette lieferte schließlich acht besonders vielversprechende Perovskitoxide, von denen die meisten in dieser Form bisher nicht berichtet wurden. Alle zeigen sehr große spontane Polarisationswerte, die mit denen bekannter Ferroelektrika vergleichbar sind oder diese übertreffen, und sie sollen bei Raumtemperatur ohne exotische Verarbeitungsschritte stabil sein. Zwei Verbindungen, auf Basis von Strontium‑Blei bzw. Europium‑Zinn‑Kombinationen, heben sich dadurch hervor, dass ihre elektronischen Bandlücken in einem Bereich liegen, der sich ideal zur Umwandlung von Licht in Strom eignet — ein Hinweis darauf, dass sie effiziente ferroelektrische Solarzellen ermöglichen könnten. Zwei weitere, mit Zinn‑Eisen bzw. Calcium‑Tantal‑Bestandteilen, werden als gleichzeitig elektrisch polar und metallisch vorhergesagt, eine ungewöhnliche Kombination, die für spinbasierte Elektronik und supraleitende Technologien neue Möglichkeiten eröffnen könnte. Durch die Analyse, wie einfache Deskriptoren wie Ionengröße und Elektronegativität mit Kristallstreckung und Polarisation korrelieren, formulieren die Autoren zudem praktische Gestaltungsregeln für die Auswahl von Elementkombinationen, die wahrscheinlich leistungsstarke Ferroelektrika ergeben.

Was das für künftiges Materialdesign bedeutet

Im Kern demonstriert diese Arbeit, dass ein sorgfältig trainiertes Modell des maschinellen Lernens, geleitet von grundlegender chemischer Intuition und abgesichert durch rigorose Quantenberechnungen, effizient die weite Landschaft möglicher Perovskit‑Zusammensetzungen durchqueren kann. Die acht hervorgehobenen Kristalle sind keine rein theoretischen Kuriositäten: Sie werden als strukturell und chemisch stabil, stark polar und in manchen Fällen gut geeignet für photovoltaische oder elektronische Anwendungen vorhergesagt. Ebenso wichtig ist, dass die Studie klärt, welche elementaren Eigenschaften tendenziell stark gestreckte, intensiv polarisierte Strukturen erzeugen, wodurch die Suche nach fortschrittlichen Ferroelektrika vorhersehbarer und regelgeleiteter wird. Dieser Ansatz könnte die Entdeckung vieler weiterer funktionaler Materialien beschleunigen und helfen, Daten und Algorithmen in greifbare Fortschritte für Elektronik und Energietechnik zu überführen.

Zitation: Hu, W., Wu, Z., Li, M. et al. Accelerated discovery of supertetragonal perovskites with giant polarization via machine learning. npj Comput Mater 12, 103 (2026). https://doi.org/10.1038/s41524-026-01970-w

Schlüsselwörter: ferroelektrische Perovskite, Materialentdeckung mit maschinellem Lernen, supertetragonale Oxide, polare Metalle, ferroelektrische Photovoltaik