深度学习模型FerroAl：铁电材料相图预测的革命性突破与新型材料发现

针对铁电材料相图预测难题，研究团队通过自然语言处理技术从41,597篇文献中挖掘2,838个相变数据，开发出深度学习模型FerroAl。该模型成功预测BaTiO3基材料相边界和形态相界(MPB)，指导发现介电常数达11,051的新型铁电材料，为高性能铁电材料设计提供了智能化解决方案。

　　

铁电材料在压电转换器、热释电器件等领域具有重要应用价值，其性能与相变行为密切相关。传统相图构建依赖实验外推和热力学模拟，面临数据匮乏和计算复杂等瓶颈。特别是对于含形态相界(MPB)的复杂体系，现有方法难以准确预测相边界。Chenbo Zhang与Xian Chen团队在《npj Computational Materials》发表的研究，通过人工智能技术实现了铁电材料相图的高效预测。

研究团队创新性地采用自然语言处理(NLP)技术，从Elsevier的41,597篇文献中提取2,838个相变数据，涵盖846种铁电材料。基于此构建的六层深度神经网络FerroAl，采用118维化学向量输入和Softmax分类输出，通过超参数优化获得最佳预测性能。关键技术包括：文献文本挖掘构建相变数据库、化学元素向量化表征、深度神经网络架构设计、Hyperband算法优化模型参数。

【Construction of phase transformation training set by text-mining】

研究通过API接口系统提取文献中的化学组成、晶体结构和相变温度信息。数据增强技术将原始数据集划分为N+1个区间，显著提升模型训练效果。统计显示BaTiO₃、PZT等材料研究最为集中，立方-四方-正交-菱方相变序列最为常见。

【FerroAl model for predicting phase diagram】

模型采用512神经元的多层全连接架构，通过SHAP分析揭示Ti等B位元素对相变影响最大。在BaZr_0.2Ti_0.8O₃-xBa_0.7Ca_0.3TiO₃等体系中，预测相边界与实验数据吻合度超过80%。

【Assessment of the FerroAI model for phase diagram prediction】

模型在20秒内即可生成0.01 at.%成分分辨率、1K温度分辨率的相图。对Ba(Zr_0.1Hf_0.1Ti_0.8)O₃-xBCT体系的预测发现x=0.3处存在MPB，实验验证该组分介电常数达11,051，显著优于其他组分。

研究建立了首个基于深度学习的铁电材料相图预测通用框架，突破传统热力学模拟的局限性。发现的BZrHfT-0.3BCT新材料展现出优异介电性能，验证了模型指导材料设计的可行性。尽管当前数据源限于Elsevier文献，但该方法学为复杂材料体系的相变研究提供了新范式，未来可扩展至电场驱动相变等更广泛场景。该成果标志着计算材料学与人工智能融合的重要进展，为加速功能材料开发提供了新工具。