Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Machine-learning enabled design of multiferroic optoelectronic materials

Projektbeschreibung

Verhalten multiferroischer Materialien skalenübergreifend erforschen

Multiferroische Materialien, die ferroelektrische, magnetische und ferroelastische Eigenschaften in sich vereinen, bergen großes Potenzial für hocheffizientes Rechnen, fortgeschrittene Sensorik und energieeffiziente Speichertechnologien. Ihre Gestaltung stellt jedoch aufgrund des Mangels an skalierbaren Werkzeugen zur Simulation ihres komplexen Verhaltens über verschiedene Maßstäbe hinweg eine Herausforderung dar. Mit Unterstützung der Marie-Skłodowska-Curie-Marien wird das Team des Projekts Ferro-ML ein durch maschinelles Lernen gestütztes Modellierungskonzept entwickeln, das Wechselwirkungen auf atomarer Ebene und Leistungseigenschaften auf Bauelementeebene miteinander verbindet. Durch Integration des physikbasierten maschinellen Lernens mit Berechnungen gemäß Grundprinzipien wird die genaue Behandlung der Elektrostatik über große Entfernungen, elektronischer Anregungen und ferroischer Schaltdynamiken erforscht. Zu den erwarteten Ergebnissen gehört eine quelloffene Plattform zur Modellierung multiferroischer Materialien, die neue Einblicke in die Materialeigenschaften zulässt und energieeffizienten Bauelementen der nächsten Generation den Weg bereitet.

Ziel

This project will develop a machine-learning-enabled multiscale modelling framework to accelerate the discovery and design of multiferroic materials for next-generation optoelectronic devices. Multiferroics uniquely couple ferroelectric, magnetic, and ferroelastic orders, enabling ultra-low-power computing, multifunctional sensors, and energy-efficient memory technologies. Yet their rational design is hindered by the absence of scalable simulation tools that can capture coupled structural, electronic, and polarization responses across atomic to device length scales.

The fellowship will establish physics-informed machine learning approaches that integrate latent Ewald summation and Hamiltonian-based models with first-principles calculations. This will enable accurate treatment of long-range electrostatics, electronic excitations, and ferroic switching dynamics. The methodology progresses from (i) developing advanced ML–DFT workflows, (ii) investigating domain wall dynamics, defect interactions, and their impact on local electronic structures, to (iii) scaling up to device-level simulations of charge transport and switching under realistic operating conditions. Iterative validation with experimental collaborators in spectroscopy and microscopy will ensure predictive accuracy and technological relevance.

The expected outcomes include a validated, transferable open-source platform for modelling multiferroics, new insights into structure–property–function relationships at ferroic interfaces, and design principles for energy-efficient devices. By bridging artificial intelligence, quantum simulations, and device modelling, the project contributes to the Horizon Europe objectives of advancing digital and sustainable technologies, while enhancing the researcher’s independence and career prospects at the intersection of physics, materials science, and AI.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2025-PF

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
Netto-EU-Beitrag
€ 276 187,92
Adresse
SOUTH KENSINGTON CAMPUS EXHIBITION ROAD
SW7 2AZ London
Vereinigtes Königreich
Region
London Inner London — West Westminster
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten