机器学习势用于捕捉铅锆酸化物中的电场诱导相变与滞回
材料科学
2025-11-14 v1
摘要
电场诱导的研究，包括铅锆酸化物(HfO2)中的相变和极化滞回，对于原子尺度上的理解至关重要，因为这会大大影响其在铅锆电容器和介电器中的应用。然而，传统的第一性原理方法在捕捉现实场条件下大规模原子动力学方面受到计算限制。为了实现电场驱动的分子动力学模拟，我们开发了针对HfO2的机器学习势(MLP)，并耦合了原位Born有效电荷(BEC)模型。这一框架使我们能够以高保真度和计算效率捕捉关键现象，包括场诱导相变、极化开关和应变依赖的介电响应。显著的是，我们复现了与AIMD结果一致的滞回环和相变势垒，并发现了单斜相中的可能的电场诱导极化活化。我们的方法为原子尺度的功能氧化物探索提供了可扩展且可迁移的工具，为铅锆器件的数据驱动设计指明了之路。
引用
@article{arxiv.2511.09976,
title = {Electric Field-Induced Phase Transitions and Hysteresis in Ferroelectric HfO2 Captured with Machine Learning Potential},
author = {Po-Yen Chen and Teruyasu Mizoguchi},
journal= {arXiv preprint arXiv:2511.09976},
year = {2025}
}
备注
35 pages, 10 figures, 1 table. Submitted to Materials Today Electronics