摘要
探索相变和构建相图对于铁电物理和材料研究至关重要,是相关理论和实验领域的研究焦点.随着计算机和人工智能的迅猛发展,利用机器学习方法并结合其他计算方法如第一性原理,可以从海量的材料数据中选择符合目标的材料种类,从而大大节约了实验成本.本文利用神经网络方法和唯象理论计算准确预测出不同取向铁电薄膜的相图中可能出现的相,进而建立了(001),(110)和(111)取向Pb(Zr0.52Ti0.48)O3铁电薄膜的温度-应变相图,并计算了室温下不同取向的极化和介电性能.通过预测准确率及损失随迭代次数的变化,发现深度神经网络方法在薄膜温度-应变相图构建及预测相的种类方面具有准确快速等优势.通过对室温极化与介电性能进行分析,发现(111)取向的Pb(Zr0.52Ti0.48)O3薄膜面外极化最大,面外介电系数最小,且二者对应变变化都不敏感.这对设计需要介电系数和极化性能处于稳定工作环境及对运行有特殊要求的微纳器件具有十分重要的理论指导意义.
- 单位