压电材料中相共存态与其性能的关系

由于铅元素有毒,研究人员正努力寻找高性能无铅压电材料以便取代含铅压电材料,因此如何开发高性能压电材料的机制就变得极为重要。此文利用6阶朗道-德文希尔模型计算了不同相共存态的自由能表达（包括单相,两相,三相以及四相共存）。通过计算结果发现,不同的相共存态对应不同的自发极化伸缩或者偏转的能垒：铁电相共存越多,则极化偏转能垒越低,而与顺电相共存,则可以极大地降低极化伸缩能垒,不同的能垒也导致了对材料压电介电性能不同的增强能力。同时,不同相共存点的实验结果也证明了这一发现。研究澄清了相共存态与其对性能增强能力的关系,而且重新将极化伸缩和偏转机制（自由能观点）转变成了更简单的相共存态机理（材料结构观点）,从而为寻找和制备高性能压电材料提供了一种更快捷的方式。     

压电材料中相共存态与其性能的关系(英文)

由于铅元素有毒,研究人员正努力寻找高性能无铅压电材料以便取代含铅压电材料,因此如何开发高性能压电材料的机制就变得极为重要。此文利用6阶朗道-德文希尔模型计算了不同相共存态的自由能表达(包括单相,两相,三相以及四相共存)。通过计算结果发现,不同的相共存态对应不同的自发极化伸缩或者偏转的能垒:铁电相共存越多,则极化偏转能垒越低,而与顺电相共存,则可以极大地降低极化伸缩能垒,不同的能垒也导致了对材料压电介电性能不同的增强能力。同时,不同相共存点的实验结果也证明了这一发现。研究澄清了相共存态与其对性能增强能力的关系,而且重新将极化伸缩和偏转机制(自由能观点)转变成了更简单的相共存态机理(材料结构观点),从而为寻找和制备高性能压电材料提供了一种更快捷的方式。     

主动学习辅助材料研发进展

材料研发面临着巨大、复杂、高维的搜索空间，如何从中快速有效选择具有目标性能的新材料是加速材料研发的主要挑战。机器学习可以基于已有的数据，通过算法建立特征和目标性能之间的映射关系，对未探索材料的性能进行预测。但是材料的已知数据比较少，建立的机器学习模型通常预测精度低，难以实现对实验或计算的有效指导。为了解决上述问题，引入主动学习的方法，在传统迭代反馈的基础上，增加了实验设计的步骤，选择对目标提升最有帮助、带有更大信息量的实验进行补充，达到更快的优化材料性能的目的。主要从单目标优化、多目标优化、曲线优化3个方面，回顾了主动学习辅助材料研发的进展。