2025-Physical Review B-机器学习助力发现低滑移能垒的二维铁电材料

本文介绍了新加坡国立大学研究团队在《Physical Review B》上发表的一项研究，利用机器学习技术筛选出25种具有大面外极化和低滑移能垒的二维滑移铁电材料。研究背景指出，传统硅基存储技术面临高能耗和低存储密度等问题，而二维铁电材料具有巨大潜力。研究目的是通过机器学习和高通量计算结合，发现高性能滑移铁电材料。研究团队从2DMATPEDIA数据库中筛选出79种单层半导体材料，构建474种同质双层结构，最终筛选出25种理想材料。结论表明，这些材料具有超过0.45 pC/m的面外极化和低于30 meV/f.u.的滑移能垒，为下一代存储技术提供了重要理论支持。