延世大学Adv. Sci.: 特征辅助机器学习用于开发无铅多元极性铁电氧化物

为了为智能数字技术扩展无铅铁电体的未知材料空间，通过多组分合金化调整其成分复杂性，可以获得增强的极性特性。然而，目前仍缺乏用于这些多组分极性材料的原子设计规则，仅简单的第一性原理不足以优化高度复杂的多组分合金。

在此，韩国延世大学Aloysius Soon, Ji-Hwan Lee等人通过使用从头算密度泛函微扰理论（DFPT）计算和物理可解释的特征辅助机器学习（ML）模型，系统地研究了多组分铌酸钾（KNbO₃，简称为KNO）衍生的K_1-x(Li_lNa_mRb_nCs_o)_xNbO₃合金中A位增强极化机制的起源。通过特殊准随机结构模型（SQS）方法生成了二元K_1-xA_xNbO₃（其中A = Li、Na、Rb 和Cs）的更简单类似物，可以确定它们是熵稳定的并且表现出较大的自发极化值（相当于或高于BaTiO₃）。

作者使用确定独立性筛选稀疏算子（SISSO）方法基于主要元素特征提取物理上有意义和可解释的描述符以预测由于A位阳离子引起的极化增强，展示了数据集大小的数值收敛性并通过监督和非监督数据采样方法提供了统计分析，最终实现了低于1.61% 的低均方根误差（RMSE）。

图1. 特征辅助ML工作流程

此外，作者基于SISSO模型确定的二元合金描述符，将其自然地扩展到多组分合金并提供了多组分系统中的A位驱动极化与合金成分的关系描述符。使用传统的维加德（Vegard）定律和从头算DFPT值交叉验证SISSO预测，最终通过SISSO模型将预测结果的RMSE进一步缩小到0.89%。

重要的是，通过这种特征驱动的ML方案建立了极性成分图以帮助开发新的多组分无铅极性氧化物，还证明了精确设计的KNO（K_0.5(Li_0.88Na_0.06Rb_0.06)_0.5NbO₃）中的A位阳离子成分可以极大地提高总自发极化值（比原始KNO提高150%以上）。本研究可帮助在KNO基合金未知的广阔化学空间中寻找高性能多组分铁电体，为开发无铅多元铁电氧化物提供了合理途径。

图2. 从ML模型中提取描述符的直接物理解释

Using Feature-Assisted Machine Learning Algorithms to Boost Polarity in Lead-Free Multicomponent Niobate Alloys for High-Performance Ferroelectrics, Advanced Science 2022. DOI: 10.1002/advs.202104569

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/bde47ca871/

延世大学Adv. Sci.: 特征辅助机器学习用于开发无铅多元极性铁电氧化物

相关推荐