基于图生成模型的铁电材料设计结题报告.docVIP

基于图生成模型的铁电材料设计结题报告

一、研究背景与问题提出

铁电材料因具有自发极化且极化方向可被外电场翻转的特性，在存储器、传感器、执行器等领域展现出广阔的应用前景。传统铁电材料设计主要依赖“试错法”，即通过实验合成与性能表征反复筛选候选材料，这一过程不仅耗时费力，还受限于科研人员的经验与现有数据库的覆盖范围。随着材料科学与人工智能技术的交叉融合，机器学习方法逐渐成为材料设计的重要工具，但传统机器学习模型多基于向量或矩阵形式的输入，难以精准捕捉材料原子间复杂的空间拓扑结构与相互作用关系。

图结构作为一种天然适合描述分子、晶体等体系的数据形式，能够将材料中的原子抽象为节点，原子间的化学键或相互作用抽象为边，从而完整保留材料的结构信息。图生成模型作为图神经网络的一个重要分支，具备从数据中学习结构模式并生成全新、合理结构的能力，为铁电材料的逆向设计提供了新的思路。本研究旨在构建基于图生成模型的铁电材料设计框架，实现从性能需求到材料结构的精准映射，加速新型铁电材料的研发进程。

二、研究目标与内容

（一）研究目标

构建适用于铁电材料的图结构表示方法，实现材料结构与性能的精准关联。

开发高效的图生成模型，能够根据预设的铁电性能指标生成具有潜在应用价值的材料结构。

结合第一性原理计算与实验验证，对生成的候选材料进行性能评估与筛选，验证模型的有效性与可靠性。

（二）研究内容

铁电材料图结构数据集