Ускоренное обнаружение суперететрагональных перовскитов с гигантской поляризацией с помощью машинного обучения

Почему этот поиск новых кристаллов важен

От более быстрых чипов памяти до более эффективных солнечных элементов и сенсоров, чувствующих малейшее прикосновение — многие перспективные технологии опираются на особый класс материалов, называемых ферроэлектриками, обладающих внутренней электрической поляризацией. Чем сильнее и стабильнее эта внутренняя электрическая упорядоченность, тем мощнее и универсальнее могут быть устройства. В этом исследовании показано, как сочетание машинного обучения с квантово‑механическими расчетами позволяет быстро выявлять новые ферроэлектрические кристаллы с исключительно большой поляризацией, ранее неизвестные, что потенциально сокращает годы проб и ошибок в лаборатории до управляемого цифрового поиска.

Растягивание кристаллов для усиления электрической мощности

Многие из лучших ферроэлектриков имеют общую кристаллическую основу — перовскитную структуру, где атомы занимают вершины, грани и центр повторяющейся кубической ячейки. Когда этот куб растягивают так, что его высота становится гораздо больше ширины, структура превращается в то, что учёные называют «суперететрагональной», и внутренняя электрическая поляризация может резко возрастать. К сожалению, такие экстремальные формы обычно трудно стабилизировать и часто требуются специальные условия выращивания тонких пленок, высокое давление или дефекты. Авторы поставили задачу найти новые перовскиты, которые естественным образом принимают сильно растянутую форму и остаются стабильными при обычной комнатной температуре, что делает их гораздо проще в использовании в реальных устройствах.

Обучение компьютера распознавать перспективные рецептуры

Вместо того чтобы по очереди тестировать тысячи возможных химических рецептур, команда обучила модель машинного обучения распознавать, какие сочетания элементов, вероятно, дадут сильно растянутую структуру. Они начали с 95 известных перовскитов и описали каждый набором из десяти компактных базовых величин, таких как сила притяжения электронов разными атомами, размеры ионов и простые геометрические показатели, отражающие, насколько хорошо блоки укладываются друг в друга. Задача модели заключалась в прогнозе, превышает ли соотношение высоты к ширине у данного материала ключевой порог, сигнализирующий о суперететрагональном состоянии. Сравнив несколько алгоритмов, они обнаружили, что метод Extra Trees-классификатор способен идеально разделять растянутые и обычные структуры в их тестовой выборке, что вселило уверенность для применения модели к гораздо большему пулу кандидатов.

От тысяч кандидатов к избранным нескольким

Вооружившись этим цифровым фильтром, исследователи изучили пространство возможных перовскитов из 2 021 варианта, составленных из разных положительно и отрицательно заряженных ионов. Модель машинного обучения сначала пометила 130 из них как вероятно сильно растянутые. Команда затем применила дополнительные простые структурные правила, основанные на известных пределах геометрической стабильности, чтобы отсеять кристаллы, которые, вероятно, спадут или искажутся в другие формы. Этот шаг сократил список до 56 новых оксидных перовскитов с многообещающими формами. Для них были выполнены подробные квантово‑механические расчеты, чтобы подтвердить кристаллические структуры, изучить различные магнитные упорядочения там, где это важно, и вычислить смещения атомов при поляризации материала — ключевой элемент для оценки электрического отклика.

Восемь выдающихся материалов и что делает их особенными

Комбинация скрининга и моделирования в итоге выделила восемь особенно перспективных оксидных перовскитов, большинство из которых раньше не сообщалось в такой форме. Все они демонстрируют очень большие значения спонтанной поляризации, сопоставимые с известными ферроэлектриками или превышающие их, при этом, по прогнозам, остаются стабильными при комнатной температуре без экзотической обработки. Два соединения на основе сочетаний стронция–свинца и европия–олова примечательны тем, что их электронные запрещенные зоны находятся вблизи идеального диапазона для преобразования света в электричество, что делает их перспективными для эффективных ферроэлектрических солнечных элементов. Два других, включающие олово–железо и кальций–тантал, предсказываются как одновременно электрически полярные и металлические, необычное сочетание, которое может открыть новые возможности в спиновой электронике и сверхпроводящих технологиях. Анализируя, как простые дескрипторы, такие как размер иона и электроотрицательность, коррелируют с растягиванием кристалла и поляризацией, авторы также выделяют практические правила дизайна для выбора сочетаний элементов, способных дать мощные ферроэлектрики.

Что это значит для будущего проектирования материалов

По существу, эта работа демонстрирует, что тщательно обученная модель машинного обучения, подкрепленная базовой химической интуицией и проверенная строгими квантовыми расчетами, может эффективно ориентироваться в обширном ландшафте возможных составов перовскитов. Восемь выделенных кристаллов — не просто теоретические курьезы: прогнозируется, что они структурно и химически стабильны, сильно полярны и в некоторых случаях хорошо подходят для фотоэлектрических или электронных приложений. Не менее важно, что исследование проясняет, какие элементарные признаки склонны порождать сильно растянутые, сильно поляризованные структуры, превращая поиск продвинутых ферроэлектриков в более предсказуемый, основанный на правилах процесс. Такой подход может ускорить открытие многих других функциональных материалов, помогая превращать данные и алгоритмы в реальные достижения в электронике и энергетике.

Цитирование: 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

Ключевые слова: ферроэлектрические перовскиты, поиск материалов с помощью машинного обучения, суперететрагональные оксиды, полярные металлы, ферроэлектрические фотоэлектрические элементы