Data-driven and machine learning-assisted research on ferroelectric materials

随着传统半导体技术逐渐逼近其物理极限，铁电材料凭借可调控的自发极化特性，在下一代信息存储与神经形态计算器件中展现出广阔的应用前景。然而，材料性能优化与物理机制阐释仍是制约其发展的核心挑战。机器学习与数据科学的快速发展正推动铁电材料研究从经验试错向数据驱动的智能化范式转型。本文系统阐述了机器学习在铁电材料研究中的应用进展：基于高通量筛选、构效关系建模与物理信息融合，机器学习显著加速了新型铁电材料的发现与性能优化，实现了从成分设计到结构预测的系统性突破；结合机器学习势函数与物理信息增强的相场模型，多尺度计算模拟有效揭示了铁电相变与畴结构演化的微观机制，有助于弥合原子尺度模拟与宏观性能之间的认知鸿沟。最后，本文探讨了数据驱动方法与物理模型深度融合的潜在路径，并对功能材料智能化研发方向予以展望。