腾讯会议号：403-484-884   

报告摘要：
铁电材料是电子元器件的核心之一，但其计算机模拟长期面临精度与效率难以兼顾的瓶颈。为此，我们发展了一套基于消息传递神经网络（MPNN）的机器学习方法，实现了铁电体势能面的原子级精确建模。该方法在BaTiO₃、PbTiO₃等钙钛矿及二维Bi材料中，达到每原子meV量级精度，计算速度较第一性原理提升数个量级，并成功应用于大尺度铁电相变，铁电畴观测和晶格热导率研究。本工作为铁电材料模拟提供了高精度、高效率的新途径，是AI for Science在材料计算中的成功实践。欢迎广大师生参加交流！

参考文献：Y.X. Zhang et al., Machine-Learning Modeling of Elemental Ferroelectric Bismuth Monolayer, Phys. Rev. Lett. 133, 266103 (2024)

报告人简介
张岩星，河南师范大学副教授。2016年获河南师范大学博士学位。先后在美国加州大学欧文分校、路易斯安娜大学拉法叶分校从事科研工作。2016年至今任河南师范大学副教授、硕士生导师。主要从事基于机器学习的能源催化材料和铁电相变的理论研究。在《Science》《PRL》《PRB》《JACS》《JPCL》等期刊发表SCI论文80余篇，被SCI期刊引用近1700余次

邀请人：凝聚态物质科学数据中心
联系人：何   露  helu@iphy.ac.cn