数据驱动与机器学习辅助的硫系相变材料研究进展

张烜广，周健，孙志梅(北京航空航天大学材料科学与工程学院)

摘要：硫系相变材料(Phase Change Materials, PCMs)因其独特的电学和光学特性而被广泛研究。PCMs 已被成功应用于各类光盘，并在数据存储领域取得显著进展，例如相变随机存取存储器(Phase Change Random Access Memory, PCRAM)。此外，PCMs 在光子学领域展现出良好的应用前景，可用于调控光的传播与相互作用；同时也适用于模拟人脑功能的神经拟态计算系统。本综述全面总结了大数据分析与机器学习方法辅助下的PCMs 相关研究：高通量计算与机器学习模型可以实现最优掺杂剂筛选与相变材料性能预测；机器学习势函数可以深化对相变材料的相变动力学及热力学特性的理解；在PCRAM 器件级模拟与设计中，机器学习在存储器优化及PCMs 神经拟态计算潜力挖掘方面发挥了关键作用。最后，总结了PCMs 的未来研究方向与当前面临的挑战。

关键词：硫系相变材料；高通量计算；数据分析；机器学习