Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Machine-learning enabled design of multiferroic optoelectronic materials

Descrizione del progetto

Indagine sul comportamento dei materiali multiferrroici su diverse scale

I materiali multiferrroici, che combinano proprietà ferroelettriche, magnetiche e ferroelastiche, hanno un grande potenziale per il calcolo ultra-efficiente, i sensori avanzati e le tecnologie di memoria a basso consumo energetico. Tuttavia, la loro progettazione è complessa a causa della mancanza di strumenti scalabili per simulare i loro comportamenti complessi su scale diverse. Grazie al sostegno del programma di azioni Marie Skłodowska-Curie, il progetto Ferro-ML realizzerà un framework di modellazione basato sull’apprendimento automatico che collegherà le interazioni a livello atomico con le prestazioni su scala di dispositivo. Integrando l’apprendimento automatico basato sulla fisica con calcoli di primi principi, la ricerca consentirà un trattamento accurato dell’elettrostatica a lungo raggio, delle eccitazioni elettroniche e delle dinamiche di commutazione ferroelettrica. Tra i risultati attesi figurano una piattaforma open-source per la modellazione multiferrroica, che offrirà nuove prospettive sulle proprietà dei materiali e aprirà la strada a dispositivi di nuova generazione a basso consumo energetico.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

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

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2025-PF

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
Contributo netto dell'UE
€ 276 187,92
Indirizzo
SOUTH KENSINGTON CAMPUS EXHIBITION ROAD
SW7 2AZ London
Regno Unito
Regione
London Inner London — West Westminster
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato