近日，西南交通大学物理科学与技术学院陈元正团队联合国内外多家单位，在二维铁性材料与人工智能技术融合研究进行了系统性阐述，以“Navigating the landscape of 2D ferroic materials: Mechanisms, manipulation, and an AI-empowered exploration future”为题发表于物理领域国际高质量期刊《Applied Physics Reviews》（中科院一区，IF = 11.9），并荣获期刊编辑推荐（Editor's Pick）。

第一作者：刘倩（西南交通大学）

通讯作者：陈元正（西南交通大学）、沈磊（新加坡国立大学）、卢海燕（中国工程物理研究院材料研究所）

随着摩尔定律逼近物理极限，基于后硅基先进材料的高速、低能耗信息器件成为全球科研焦点。二维铁性材料（尤其是铁磁-铁电多铁材料）凭借独特的磁电序耦合效应，在高密度存储、低功耗电子器件、自旋电子学等领域展现出巨大应用潜力，是下一代信息技术的核心候选材料之一。

本文全面梳理了二维铁性材料领域近二十年的关键进展，阐明了二维铁磁、铁电及磁电耦合的微观物理本质，为多铁序协同调控奠定坚实理论基础；总结了应变工程、电场调控、层间堆叠、缺陷掺杂等外场调控手段在拓展二维铁性材料体系的有效路径与方法；详细介绍了二维铁性材料在磁电隧道结（MTJs）、铁电场效应晶体管（FeFETs）、神经形态计算等领域的前沿应用。

着重阐述了人工智能（AI）在推动二维铁性材料（包括铁磁、铁电及多铁材料）及其功能器件发展的潜力，创新性提出了AI驱动的五大核心设计策略：

i. 构建“数字基因库”——高通量计算与机器学习势融合：建立覆盖广泛结构、组分和外场调控（应变、电场、磁场）的高通量计算平台，系统生成二维铁性材料数据库，作为“数字基因库”。在此基础上，利用机器学习势替代高成本的量子力学计算，实现更大体系、更长时间尺度的分子动力学模拟。

ii. 物理启发的描述符设计与图神经网络（GNN）建模：将物理机制融入AI模型，构建具有物理可解释性的描述符，并结合GNN实现对二维铁性材料的拓扑结构与局域化学环境的自然学习。

iii. 多模态调控学习——掺杂、滑移、应变的智能协同优化：针对二维铁性材料在外场调控（掺杂、滑移、应变）下的相变路径与临界条件，构建动态描述符，并通过多任务学习模型同时预测多种调控手段的协同或拮抗效应。

iv. 多目标优化与生成模型驱动的逆向设计：在数据完备的基础上，利用机器学习进行逆向设计，通过多目标优化算法和生成模型（如生成对抗网络GAN、变分自编码器VAE）探索广阔化学空间。

v. 闭环智能探索——实验-计算-AI闭环迭代：构建从原子尺度（第一性原理）到介观尺度（相场模拟）再到宏观尺度（有限元分析）的多尺度性能预测链，并形成“计算设计—实验制备—表征验证—数据反馈”的闭环。

本研究得到了国家自然科学基金项目（批准号：12164009）、四川省科技计划项目（批准号：2022ZYD0024）、新加坡教育部Tier基金项目（项目编号：A-8001194-00-00 和 A-8001872-00-00）、国家自然科学基金项目（批准号：12474241）、国家重点研发计划项目（批准号：2024YFA1408600）以及中国工程物理研究院院长基金项目（批准号：YZJJZQ2024014）的资助。

论文信息: Qian Liu ; Xuxuan Huang ; Teli Lin ; Zihao Cheng ; Junmei Du ; Jiao Chen ; Haiyan Lu; Lei Shen; Yuanzheng Chen“Navigating the landscape of 2D ferroic materials: Mechanisms, manipulation, and an AI-empowered exploration future” Appl. Phys. Rev. 13, 011325 (2026)

DOI: https://doi.org/10.1063/5.0312656