Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Machine-learning enabled design of multiferroic optoelectronic materials

Descripción del proyecto

Explorar el comportamiento de los materiales multiferroicos a diferentes escalas

Los materiales multiferroicos, que combinan propiedades ferroeléctricas, magnéticas y ferroelásticas, tienen un gran potencial para la computación ultraeficiente, los sensores avanzados y las tecnologías de memoria de bajo consumo energético. Sin embargo, su diseño resulta complejo debido a la falta de herramientas escalables para simular sus comportamientos complejos en diferentes escalas. Con el apoyo de las acciones Marie Skłodowska-Curie, el proyecto Ferro-ML creará un marco de modelado basado en el aprendizaje automático que conectará las interacciones a nivel atómico con el rendimiento a escala de dispositivo. Al integrar el aprendizaje automático basado en la física con cálculos de primeros principios, la investigación permitirá un tratamiento preciso de la electrostática de largo alcance, las excitaciones electrónicas y la dinámica de conmutación ferroica. Entre los resultados previstos se incluye una plataforma de código abierto para el modelado multiferroico, que ofrecerá nuevos conocimientos sobre las propiedades de los materiales y allanará el camino para dispositivos de próxima generación energéticamente eficientes.

Objetivo

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.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

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

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) HORIZON-MSCA-2025-PF

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
Aportación neta de la UEn
€ 276 187,92
Dirección
SOUTH KENSINGTON CAMPUS EXHIBITION ROAD
SW7 2AZ London
Reino Unido
Región
London Inner London — West Westminster
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
Sin datos