News Release

二维铁电金属大家族问世

Peer-Reviewed Publication

Science China Press

Figure 1.

image: Schematic structures of 2D bimetal phosphates (MIMIIP2X6, MI and MII atoms are different metal elements, X=O, S, Se, Te). (a) Top view. (b) Side view of paraelectric phase. (c) Side view of ferroelectric phases with opposite polarization (P). (d)(e) Energy versus polarization of two ferroelectric metals (AuHfP2O6 and AuZrP2O6), showing the possible ferroelectric-paraelectric transition. view more 

Credit: ©Science China Press

由于金属中传导电子会屏蔽内部的静电场,因此人们通常认为铁电性和金属性无法共存。1965年,著名的凝聚态物理学家安德森等人首次提出了“铁电金属”的概念,指出在特定的马氏体相变中由于反演对称性破缺可能会引起电极化。然而,经过长达半个多世纪的深入研究,目前公开报道的铁电金属材料仍然十分稀有。

近日,中国科学院大学苏刚教授研究团队通过数据驱动的机器学习和高通量第一性原理计算相结合,从2964个二维双金属磷酸盐结构中发现了16种铁电金属材料,极大地扩展了铁电金属家族,将引发人们对铁电金属的进一步研究。该研究工作刚刚在Science Bulletin 在线出版。

一般认为铁电性会出现在绝缘体或者半导体中。在金属中由于传导电子会屏蔽内部的静电场不会导致电极化,因而金属中通常不会观察到铁电性。在1965年,安德森和布朗特提出了“铁电金属”的概念,指出在特定的涉及反演对称性破缺的马氏体转变中会导致电极化出现(Anderson et al. Phys. Rev. Lett. 1965,14,217-219)。然而,经过半个多世纪的探索,目前只有极少数的铁电金属被实验发现。2018年,美国科学家在两层或三层的WTe2中观测到了可翻转的面外电极化,这或许是实验上首次观测到铁电性和金属性可以在二维材料中共存(Fei et al. Nature 2018,560,336)。

最近,来自中国科学院大学的苏刚研究团队通过设计新的基于电子轨道的结构描述符,利用数据驱动的机器学习和高通量第一性原理计算相结合,大规模研究了二维双金属磷酸盐结构(图1),发现了60种结构稳定的二维铁电材料,包括16种铁电金属和44种铁电半导体(包括7种多铁性材料和7种适合光解水的光催化剂材料)(图2)。这些多铁性材料具有铁磁、反铁磁、铁电和铁弹等两种或三种铁序,在磁电、磁致伸缩和机电纳米器件中有着潜在应用。

苏刚等人通过对电子密度深入分析,发现这类铁电金属中的传导电子主要集中在二维材料的上表面,而与电极化相关的电子转移主要发生在下表面,这来源于双金属原子反向位移引起的反演对称性自发破缺,从而揭示出铁电性和金属性共存的物理机制。此外,这些研究人员还发现含有金、银、铜等满d轨道贵金属元素材料的电极化远大于含其他金属元素的材料。他们通过研究铁电-顺电相变和电极化翻转,发现能量随电极化强度的变化曲线呈现出双势阱形状和双稳性特征,其中两个能量极小值对应于极化方向相反的铁电相,而极大值对应于顺电相。另外,他们还基于这些二维铁电金属构建了范德瓦尔斯异质结,发现可以实现肖特基势垒高度和肖特基-欧姆接触类型的调节,进而可以被用来调控相应电子器件的输运性质。

这项研究工作不仅极大地丰富了二维铁电金属家族,引发人们对铁电金属的进一步理论和实验研究,而且发展出的利用机器学习和高通量第一性原理计算结合预测先进功能材料的方法对加速新材料研发具有重要意义。

###

这项工作得到了国家重点研发计划项目(2018YFA0305800)、中国科学院先导项目(XDB28000000)、国家自然科学基金委(11834014)和北京市科委(Z191100007219013)的资助,相关计算在中国科学院超级计算中心和国家超级计算广州中心的天河二号平台上完成。

文章信息: Xing-Yu Ma, Hou-Yi Lyu, Kuan-Rong Hao, Yi-Ming Zhao, Xiaofeng Qian, Qing-Bo Yan, Gang Su. Large family of two-dimensional ferroelectric metals discovered via machine learning, Science Bulletin, 2020. DOI: 10.1016/j.scib.2020.09.010 https://www.sciencedirect.com/science/article/abs/pii/S2095927320305892?via%3Dihub


Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.