扩散模型驱动发现用于光电流应用的铁电材料 中文标题

为解决新型铁电材料发现缓慢的难题，研究人员集成扩散模型晶体生成与多保真度筛选流程，发现了两种具有高极化强度和适宜带隙的钙磷与锂镉磷化合物，为下一代存储与光伏技术提供了新的候选材料。

铁电材料，因其固有的、可被外电场翻转的自发极化特性，已成为现代科技的核心材料之一。从我们手机里的非易失性存储器，到高精度的压电传感器，再到前沿的能量收集和光电器件，铁电材料的身影无处不在。尤其是在光伏领域，其非中心对称的晶体结构和可切换的极化能够产生独特的光电流响应，展现出制造新型可切换、光电一体化器件的巨大潜力。然而，通往这片广阔应用蓝海的道路上横亘着一道显著的障碍：已知的铁电材料化学空间极为有限，长期被局限于钙钛矿、层状氧化物等少数几个“原型”家族。这种稀缺性极大地制约了新材料的开发，使得探索超越传统认知的新型铁电体成为一项紧迫而重要的挑战。

传统的材料发现方法，无论是依赖研究者的直觉和经验，还是通过“试错法”进行实验合成，亦或是基于已知结构家族进行“蛮力”式的高通量计算筛选，都存在效率低下、成本高昂且难以跳出固有思维框架的局限。近年来，随着人工智能的兴起，生成模型为数据驱动的材料设计打开了新的大门。特别是扩散模型，在图像和分子生成领域表现卓越后，也被成功应用于无机晶体材料的生成，展现出创造化学上合理、多样性丰富的新型晶体结构的强大能力。那么，能否将这种强大的“无中生有”的创造力，与物理学的严格验证相结合，从而系统性地“挖掘”出隐藏在广阔化学空间中、尚未被发现的铁电“宝石”呢？

这正是发表在《Advanced Science》上的这项研究所要回答的核心问题。研究者们设计并实施了一个创新的生成式人工智能驱动的工作流程，旨在加速功能性铁电材料的发现。他们的策略是，首先利用名为MatterGen的先进扩散模型，在不受已知结构限制的条件下，生成了12,800个候选晶体结构。这相当于利用AI的“想象力”，构想出了一座庞大的、充满可能性的“材料矿山”。但生成仅仅是第一步，关键在于如何从这海量的候选者中，高效、准确地识别出真正有潜力的“矿石”。

为此，研究团队构建了一个严谨的、多层次的“筛选流水线”。这个流水线就像一个精密的筛选机，依次对候选结构进行层层过滤。首先，他们运用对称性分析，只保留属于极性空间群（铁电性的必要条件）的结构，一举将候选池从12,800个削减至2,392个，极大地提升了后续计算的效率。3P₂and LiCdP as promising ferroelectric candidates for photocurrent applications.">

接着，他们检查氧化态和热力学稳定性，确保材料在化学上合理且能稳定存在。然后，针对光伏应用目标，他们快速预测了材料的带隙，筛选出具有合适带隙（0.5-2.0 eV）的半导体。之后，他们通过生成非极性参考结构并进行密度泛函理论计算，进一步评估了铁电性的两个核心指标：双势阱能和自发极化强度。最后，他们还利用机器学习模型评估了材料的可合成性。经过这一系列苛刻的筛选，最初上万的结构最终只剩下两颗最璀璨的“明珠”：Ca₃P₂（磷化三钙）和LiCdP（磷化锂镉）。

为了开展这项研究，作者主要运用了以下几项关键技术：1. 使用MatterGen和DiffCSP等基于扩散模型的生成式人工智能进行大规模晶体结构生成；2. 构建集成机器学习力场、图神经网络等多种机器学习工具与密度泛函理论计算的多保真度筛选流程，用于评估稳定性、带隙、极化等性质；3. 利用第一性原理计算，包括采用PBE、HSE06、r²SCAN等泛函，详细计算候选材料的电子结构、声子谱、极化、压电系数、载流子迁移率及体光伏效应（shift current）；4. 通过晶体结构预测验证所发现相的竞争稳定性，并利用从头算分子动力学模拟评估其热稳定性。

2.1 对扩散模型生成材料的筛选

研究通过上述筛选流程，从初始的12,800个生成结构中，逐步聚焦到两个最终候选材料Ca₃P₂和LiCdP。−1 and blue for those above this threshold. c) Scatter plot of bandgap (eV) versus spontaneous polarization (µC cm⁻²); marker color indicates the double-well energy difference (eV f.u.⁻¹). Stars denote the two promising candidates (Ca₃P₂and LiCdP) identified in this work, and circles denote known ferroelectrics."> 计算表明，Ca₃P₂的自发极化值为8.9 µC cm⁻²，而LiCdP的极化值高达144.1 µC cm⁻²，略高于目前报道的最高极化铁电体之一——钪掺杂氮化铝。两者的带隙经HSE06计算分别为1.58 eV和1.13 eV，位于光伏应用的目标窗口（1.4-2.3 eV）附近，显示出良好的光电流应用潜力。3P₂and LiCdP. Nonpolar and polar structures of a) Ca₃P₂and d) LiCdP, respectively. Double-well potential profiles of b) Ca₃P₂and e) LiCdP. The polarization (P) value as a function of the distortion from the –P polar structure through the centrosymmetric nonpolar structure to the +P polar structure for c) Ca₃P₂and f) LiCdP.">

研究进一步计算了两种材料的介电、压电、有效质量、形变势和载流子迁移率等器件相关性质，发现它们具有明显的各向异性，预示着高效的载流子提取和长扩散长度。体光伏效应计算也确认了二者均具有本征的体光伏响应。可合成性评估显示，Ca₃P₂具有较高的晶体相似性分数（0.813），而LiCdP的分数（0.503）则处于边界，表明其可能是一种亚稳相，但在适当条件下可被合成。通过晶体结构预测验证，Ca₃P₂的发现相仅比最稳定构型高3 meV/atom，而LiCdP的纤锌矿相比其最稳定的锌矿相高60 meV/atom，但仍可能在一定条件下获得。

2.2 动态稳定性与能带结构

声子谱计算表明，Ca₃P₂和LiCdP的晶体结构均无虚频，是动力学稳定的。从头算分子动力学模拟和亥姆霍兹自由能计算进一步证实，在高温下（直至1000 K），二者的极性相仍比对应的非极性相更稳定。电子能带结构计算确认，Ca₃P₂为直接带隙半导体，LiCdP为近直接带隙半导体，这为光电器件应用提供了有利条件。3P₂and LiCdP. 3-dimensional schematic of the Brillouin zone of a) Ca₃P₂and d) LiCdP. Phonon band dispersions of b) Ca₃P₂and e) LiCdP. Electronic band structures of c) Ca₃P₂and f) LiCdP.">

2.3 当前范围与未来展望

研究也指出了当前方法的局限性。所使用的MatterGen模型受限于其训练集（单元胞原子数≤20），在探索训练集中代表性不足的化学空间（如富含稀土元素或碳化物的体系）或更大单胞时，性能会下降。此外，本研究采用了无条件生成，未来若能有足够大且可靠的性质标注数据集，条件生成将能更高效地进行靶向发现。本次生成的海量结构数据本身，也为训练未来的条件生成模型提供了宝贵资源。

研究结论与讨论

本研究成功展示了一种集成生成式人工智能与多保真度筛选的高效材料发现新范式。通过利用MatterGen扩散模型生成大量候选结构，并经过一个结合了对称性分析、多种机器学习模型和第一性原理计算的严格筛选流程，研究团队从零开始，发现了两种先前未被报道的铁电材料：Ca₃P₂和LiCdP。

这两种材料展现出卓越的铁电性能：明确的双势阱稳定性、可比较的势垒高度（ΔE）以及显著的自发极化（P），其中LiCdP的极化值甚至超过了目前已知的最高值。同时，它们具有适合光伏应用的直接或近直接带隙，以及良好的动力学和热稳定性。计算还揭示了它们在介电、压电、载流子输运和体光伏效应方面的优异性质，为其在下一代存储和光电器件中的应用奠定了基础。

这项工作的意义深远。首先，它实质性地扩展了铁电材料家族，特别是提出了Ca₃P₂可能是一种尚未被识别的低温相，而LiCdP则代表了纤锌矿衍生铁电体家族的有意义拓展。更重要的是，它建立了一个可扩展、高效的工作流程范本，将生成模型的“创造力”与物理计算的“严谨性”无缝桥接，克服了传统试错法和高通量筛选的固有局限。这为在铁电性之外的其他功能性材料领域进行数据驱动的材料设计铺平了道路，预示着一种加速从材料发现到实际应用的全新研究范式的到来。