Versnelde ontdekking van supertetragonale perovskieten met enorme polarisatie via machine learning

Waarom deze zoektocht naar nieuwe kristallen ertoe doet

Van snellere geheugenchips tot efficiëntere zonnecellen en sensoren die de zachtste aanraking registreren: veel opkomende technologieën bouwen op een speciale klasse materialen die ferro-elektrisch genoemd worden en een ingebouwde elektrische polarisatie dragen. Hoe sterker en stabieler deze interne elektrische uitlijning is, hoe krachtiger en veelzijdiger de apparaten kunnen zijn. Deze studie toont aan hoe het combineren van machine learning met quantum-mechanische simulaties snel nieuwe ferro-elektrische kristallen met uitzonderlijk grote polarisatie kan onthullen die eerder onbekend waren, en zo jaren van trial-and-error in het laboratorium kan inkorten tot een gerichte digitale zoektocht.

Kristallen uitrekken om elektrische kracht te vergroten

Veel van de beste ferro-elektrica delen een gemeenschappelijk kristalraamwerk dat bekendstaat als de perovskietstructuur, waarbij atomen op de hoeken, vlakken en het centrum van een herhalende kubus zitten. Wanneer deze kubus wordt uitgerekt, zodat de hoogte veel groter wordt dan de breedte, verandert de structuur in wat wetenschappers “supertetragonaal” noemen en kan de interne elektrische polarisatie dramatisch toenemen. Zulke extreme vormen zijn helaas meestal moeilijk te stabiliseren en vereisen vaak speciale dunfilmgroeiomstandigheden, hoge druk of defecten. De auteurs wilden nieuwe perovskieten vinden die van nature deze sterk uitgerekte vorm aannemen en toch stabiel blijven bij kamertemperatuur, zodat ze veel eenvoudiger in echte apparaten toepasbaar zijn.

Een computer leren veelbelovende recepten te herkennen

In plaats van duizenden mogelijke chemische recepten één voor één te testen, trainde het team een machine-learningmodel om te herkennen welke combinatie van elementen waarschijnlijk een sterk uitgerekt kristal oplevert. Ze begonnen met 95 bekende perovskieten en beschreef elk daarvan met een compacte set van tien basisgrootheden, zoals hoe sterk verschillende atomen elektronen aantrekken, hoe groot de ionen zijn, en eenvoudige geometrische maten die vastleggen hoe goed de bouwstenen in elkaar passen. De taak van het model was te voorspellen of de hoogte-tot-breedteverhouding van een materiaal een cruciale drempel overschreed die duidt op de supertetragonale toestand. Na vergelijking van verschillende algoritmen bleek een methode genaamd Extra Trees-classifier de uitgerekte en normale structuren in hun testdata perfect te onderscheiden, wat hen het vertrouwen gaf het model op een veel grotere kandidaatpool toe te passen.

Duizenden kandidaten terugbrengen tot enkele geselecteerden

Met dit digitale filter onderzocht de groep een ontwerpgebied van 2.021 mogelijke perovskieten opgebouwd uit verschillende keuzes van positief en negatief geladen ionen. Het machine-learningmodel labelde aanvankelijk 130 daarvan als waarschijnlijk sterk uitgerekt. Het team paste vervolgens aanvullende eenvoudige structurele regels toe, gebaseerd op bekende grenzen voor geometrische stabiliteit, om kristallen uit te sluiten die waarschijnlijk zouden instorten of vervormen naar andere vormen. Deze stap bracht de lijst terug tot 56 nieuwe oxide-perovskieten met veelbelovende vormen. Voor deze voerden ze gedetailleerde quantum-mechanische simulaties uit om de kristalstructuren te bevestigen, verschillende magnetische ordeningen waar relevant te onderzoeken, en te berekenen hoe de atomen verschuiven wanneer het materiaal polariseert — een cruciale factor voor het inschatten van de elektrische respons.

Acht opvallende materialen en wat ze bijzonder maakt

De gecombineerde screenings- en simulatieroute leverde uiteindelijk acht bijzonder veelbelovende perovskietoxiden op, waarvan de meeste nog nooit in deze vorm waren gerapporteerd. Alle vertonen zeer grote spontane polarisatiewaarden, vergelijkbaar met of groter dan die van bekende ferro-elektrica, en ze worden voorspeld stabiel te zijn bij kamertemperatuur zonder exotische bewerkingsstappen. Twee verbindingen, gebaseerd op combinaties van strontium–lood en europium–tin, springen eruit omdat hun elektronische bandgaps in of nabij het ideale bereik liggen om licht in elektrische energie om te zetten, wat suggereert dat ze efficiënte ferro-elektrische zonnecellen kunnen ondersteunen. Twee anderen, met tin–ijzer en calcium–tantal, worden voorspeld zowel elektrisch polair als metallic te zijn, een ongebruikelijke combinatie die nieuwe mogelijkheden kan openen in spingebaseerde elektronica en superconductietechnologieën. Door te analyseren hoe eenvoudige descriptoren zoals iongrootte en elektronegativiteit correleren met kristaluitrekking en polarisatie, destilleren de auteurs ook praktische ontwerpregels voor het kiezen van elementcombinaties die waarschijnlijk krachtige ferro-elektrica opleveren.

Wat dit betekent voor toekomstig materiaalontwerp

In wezen toont dit werk aan dat een zorgvuldig getraind machine-learningmodel, geleid door basale chemische intuïtie en gecontroleerd met rigoureuze quantum-berekeningen, efficiënt door het enorme landschap van mogelijke perovskietsamenstellingen kan navigeren. De acht uitgelichte kristallen zijn niet slechts theoretische curiositeiten: ze worden voorspeld structureel en chemisch stabiel te zijn, sterk polair, en in sommige gevallen goed afgestemd op fotovoltaïsche of elektronische toepassingen. Even belangrijk maakt de studie duidelijk welke elementeigenschappen vaak leiden tot sterk uitgerekte, sterk gepolariseerde structuren, waardoor de zoektocht naar geavanceerde ferro-elektrica voorspelbaarder en regelgebaseerder wordt. Deze aanpak kan de ontdekking van vele andere functionele materialen versnellen en zo data en algoritmen omzetten in tastbare vooruitgang in elektronica en energietechnologie.

Bronvermelding: 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

Trefwoorden: ferro-elektrische perovskieten, machine learning materiaalontdekking, supertetragonale oxiden, polare metalen, ferro-elektrische fotovoltaïca