Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Machine-learning enabled design of multiferroic optoelectronic materials

Description du projet

Étude du comportement des matériaux multiferroïques à différentes échelles

Les matériaux multiferroïques, qui combinent des propriétés ferroélectriques, magnétiques et ferroélastiques, détiennent un grand potentiel pour l’informatique ultra-efficace, les capteurs avancés et les technologies de mémoire à faible consommation d’énergie. Leur conception est toutefois complexe en raison du manque d’outils évolutifs qui permettraient de simuler leurs comportements complexes à différentes échelles. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet Ferro-ML va créer un cadre de modélisation fondé sur l’apprentissage automatique qui fera le lien entre les interactions au niveau atomique et les performances à l’échelle du dispositif. En intégrant l’apprentissage automatique fondé sur la physique aux calculs ab initio, la recherche permettra un traitement précis de l’électrostatique à longue portée, des excitations électroniques et de la dynamique de commutation ferroïque. Les travaux devraient générer une plateforme open source pour la modélisation multiferroïque, et offrir de nouvelles perspectives sur les propriétés des matériaux et ouvrir la voie à une nouvelle génération de dispositifs économes en énergie.

Objectif

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.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

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

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2025-PF

Voir tous les projets financés au titre de cet appel

Coordinateur

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
Contribution nette de l'UE
€ 276 187,92
Adresse
SOUTH KENSINGTON CAMPUS EXHIBITION ROAD
SW7 2AZ London
Royaume-Uni
Région
London Inner London — West Westminster
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total
Aucune donnée