在机器学习辅助的二维滑移/摩尔铁电畴壁动力学研究中进展

研究背景

随着微纳电子技术的飞速发展，当前对电子器件的微型化和高性能提出了更高要求，更低功耗、更高集成度、更高速、更耐疲劳成为追求的目标，此外器件最好还能兼具柔韧性。近几年发现的二维滑移铁电（Sliding ferroelectricity）作为一类新兴的功能性材料，能同时满足上述性能要求，因此越来越引起人们的关注。在很多二维材料，例如六方氮化硼（h-BN）、二硫化钼（MoS2）、石墨烯等材料中，虽然其单层均为中心对称结构，不具有铁电性，但是在双层或多层结构中，某些堆叠方式可以打破空间反演对称性，从而产生面外极化。

更重要的是，这种面外极化可以通过外电场调控层间滑移进行翻转,如图1a所示。这种滑移过程需要克服的势垒非常小，比常规铁电小一个数量级，因此有望用于设计超低功耗的铁电器件。此外，除了层间滑移，层间旋转也可以改变其堆叠序，从而产生铁电，即摩尔铁电（Moire ferroelectricity）如图1b所示。滑移/摩尔铁电理论近两年来在实验中被不断证实，但当前对于滑移铁电的研究还在初期，很多性质尚不清楚。与常规铁电类似，滑移/摩尔铁电的矫顽场、极化翻转速率、疲劳等性能，

很大程度上取决于其畴壁的性质。近期发表在Nature Reviews Materials上的综述文章指出，“尽管滑移铁电的畴壁很重要，但是当前对它的性质还知之甚少”。这主要是由于滑移堆垛结构的特性，其畴壁的宽度可能远大于常规铁电的1nm量级。受限于尺度原因，当前常规的计算方法，例如密度泛函理论（DFT），无法对其进行计算。

成果介绍

针对这一问题，中国科学院宁波材料所柔性磁电功能材料与器件团队钟志诚研究组利用基于深度学习力场的大尺度原子模拟方法，在量子力学框架下，首次计算并揭示了滑移铁电的畴壁和摩尔构型的原子结构及其动力学性质。

研究人员以典型的二维滑移铁电h-BN为例，首先通过同步学习策略得到大量能够覆盖势能面的训练集构型，并通过对大量DFT训练集进行深度学习，构造了深度神经网络表达的力场函数。该力场函数可以在DFT精度下，描述各种堆叠序的能量、极化翻转动力学过程、以及声子谱等性质，如图2所示。在此基础上，科研人员根据滑移方向与畴壁的几何角度关系，构建了四种类型的铁电畴壁（0°，30°，60°，90°畴壁），并利用深度学习力场函数进行结构弛豫，得到稳定的畴壁结构。计算结果表明，0°和90°畴壁宽度分别为10nm和40nm，比常规铁电材料大1-2个数量级。结合畴壁能模型分析，可以推出是由于较低的层间滑移势垒和较高的面内畸变能的竞争耦合，导致宽畴壁的形成。

此外，通过外电场下的动力学模拟，研究人员发现畴壁移动得临界电场非常低（~0.026 V/nm），同时畴壁具有超快的移动速率（6000 m/s），如图4所示。这意味着100 nm的器件极化翻转的时间只需要15皮秒，这能够为高速低功耗存储器的设计提供理论依据。

研究人员还利用深度力场函数对h-BN的摩尔结构的动力学进行研究，首先通过层间旋转，构造出摩尔结构，弛豫以后得到的AB和BA堆叠畴相交替的等边三角形构型，这与实验观察到的一致（图1b）。在面外电场下，会导致一种畴增大而另一种畴变小，形成类似三叉戟的图案，如图5所示，从而产生面外极化。当撤掉电场以后，畴会恢复至初始等边三角形图案，同时极化恢复为0，因此表现为超顺电性。通过理论计算表明，所谓的摩尔铁电说法是不恰当的，实验中观察到摩尔结构的铁电信号可能是起源于缺陷对畴壁的钉扎作用。

该项研究在领域内首次揭示了滑移/摩尔铁电畴壁的原子结构和动力学性质，其特性与常规铁电相差甚远，计算结果能够解释大量实验中的奇异现象，并为未来的实验设计提供可靠的理论基础。

图1. （a）h-BN滑移铁电原子结构和差分电荷密度示意图。双层BN的AB和BA堆叠分别具有向上和向下的极化，且可以通过层间滑移进行极化翻转。（b）摩尔铁电示意图。通过层间旋转，形成AB、BA堆垛相间的结构。

图2. （a）通过对大量DFT训练集进行深度学习，构造了用深度神经网络表达的势函数。（b）和（c）通过深度势函数预测的能量和力与DFT计算结果的对比，证明深度势函数具有DFT精度。（d）DFT和深度势函数计算得到的h-BN声子谱和态密度。

图3 利用深度势函数弛豫得到的0°（a）和90°（b）畴壁原子结构图，计算结果表明其畴壁宽度在10-40 nm。

图4 滑移铁电畴壁外场下的迁移。

图5 h-BN的摩尔构型的原子结构，及其结构和极化在外电场下的动力学响应。