Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Machine-learning enabled design of multiferroic optoelectronic materials

Opis projektu

Badanie zachowania materiałów multiferroicznych w różnych skalach

Materiały multiferroiczne, łączące właściwości ferroelektryczne, magnetyczne i ferroelastyczne, otwierają nowe możliwości w dziedzinie energooszczędnych technologii pamięci, zaawansowanych czujników oraz wysokowydajnych systemów obliczeniowych. Jednak ich projektowanie jest trudne ze względu na brak skalowalnych narzędzi do symulacji złożonych zachowań w różnych skalach. Zespół projektu Ferro-ML, realizowanego przy wsparciu z działań „Maria Skłodowska-Curie”, stworzy ramy modelowania oparte na uczeniu maszynowym, które połączą interakcje na poziomie atomowym z wydajnością w skali całego urządzenia. Dzięki połączeniu uczenia maszynowego opartego na prawach fizyki z obliczeniami pierwszych zasad, badacze umożliwią precyzyjne modelowanie długozasięgowych oddziaływań elektrostatycznych, wzbudzeń elektronowych oraz dynamiki przełączania stanów ferroicznych. Oczekiwane rezultaty obejmują opracowanie otwartej platformy typu open source do modelowania materiałów multiferroicznych, która umożliwi uzyskanie nowej wiedzy na temat ich właściwości oraz przyczyni się do rozwoju energooszczędnych urządzeń następnej generacji.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

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

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2025-PF

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
Wkład UE netto
€ 276 187,92
Adres
SOUTH KENSINGTON CAMPUS EXHIBITION ROAD
SW7 2AZ London
Zjednoczone Królestwo
Region
London Inner London — West Westminster
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
Brak danych