基于深度学习分子动力学揭示双层六方形硼氮的超快滑动铝电性
材料科学
2026-05-01 v1
摘要
双层六方形硼氮 (h-BN) 的滑动铝电性为下一代非易失存储器提供了引人入胜的前景，但电场驱动的极化翻转的原子尺度动力学仍鲜为人知。本文提出了一个完全数据驱动的、耦合的原子尺度框架，将经微调的 MACE 机器学习势能 (MLP) 与等变图卷积神经网络 (EGCNN) 集成，用于实时 Born 有效电荷 (BEC) 预测，使我们能够在施加电场作用下的 AB 堆叠双层 h-BN 上进行大规模非平衡分子动力学模拟。通过实施严格的实空间路径积分极化形式结合状态约束高斯卷积背景提取程序，我们成功地隔离了占主导地位的介电背景之内的本征自发极化。我们的模拟揭示，一致的单域刚性滑动，在 5 ps 内完成，构成了可行的超快翻转机制，复现了形貌与实验观察一致的干净铝电阻力循环。
引用
@article{arxiv.2604.27342,
title = {Ultrafast Sliding Ferroelectric Switching in Bilayer Hexagonal Boron Nitride Revealed by Deep Learning Molecular Dynamics},
author = {Yinan Wang and Poyen Chen and Teruyasu Mizoguchi},
journal= {arXiv preprint arXiv:2604.27342},
year = {2026}
}
备注
26 pages, 4 figures, 14 pages of Supporting information