近期，吉林大学未来科学国际合作联合实验室、物理学院与美国阿肯色大学组成的联合研究团队在Physical Review Letters上发表题为“Domain-Wall-Mediated Polarization Switching in Ferroelectric AlScN: Strain Relief and Field-Dependent Dynamics”的研究工作。该研究表明畴工程有望成为调控Al_1-xSc_xN及相关铁电材料矫顽场的有效途径，体现了自主材料模拟软件在材料物理研究中的重要支撑作用，为后续开展更大尺度、更复杂条件下的功能材料模拟提供了可自主扩展的计算平台。

面向复杂功能材料的原子尺度模拟，如何在保证第一性原理精度的同时突破传统计算规模限制，是计算材料科学长期面临的重要挑战。针对这一问题，马琰铭教授课题组持续发展ARES（Ab initio atomic mateRial modEling Software at JLU）软件平台和注意力耦合神经网络机器学习势软件ACNN（attention-coupled neural network）机器学习势方法。ARES集成了平面波、实空间、机器学习势、机器学习哈密顿量、分子动力学、声子谱和能带计算等功能模块；其中分子动力学模块采用高效率MPI并行框架，可支持上百万原子体系的模拟研究。ACNN作为注意力耦合神经网络机器学习势软件，能够在保持第一性原理精度的同时，高效描述复杂多组分材料体系的势能面。近年来，团队在ARES中实现了外加电场、路径积分模拟和多种系踪等分子动力学功能模块，使其能够面向复杂材料体系中的结构演化、相变动力学和外场响应等问题开展可扩展模拟。

为验证ARES在复杂铁电体系中的大尺度动力学模拟能力，研究团队将其应用于Sc掺杂氮化铝（AlScN）的极化翻转研究。Al_1-xSc_xN兼具稳定铁电性和优异热稳定性，但其极化翻转所需矫顽场较高，限制了相关器件应用。研究团队结合密度泛函理论和大尺度机器学习分子动力学，系统研究了不同 Sc 浓度和不同外加电场下Al_1-xSc_xN的原子尺度极化翻转过程。结果表明，过大的晶格应变会抑制整体协同翻转，而预存畴壁能够释放局域应变，并由此诱导出具有显著电场依赖性的翻转动力学机制：在低电场下，极化翻转主要通过畴壁逐步推进完成，符合Kolmogorov-Avrami-Ishibashi模型；而在高电场下，体系中会激发额外成核过程，进而形成快速、近似均匀的反转行为，可由simultaneous nonlinear nucleation and growth模型描述。

该研究阐明了畴壁动力学在Al_1-xSc_xN极化翻转中的关键作用，表明畴工程有望成为调控Al_1-xSc_xN及相关铁电材料矫顽场的有效途径。同时，该工作展示了ARES在复杂铁电材料外场响应和大尺度机器学习势函数辅助的分子动力学模拟的应用能力。

该研究成果发表在Phys. Rev. Lett.上。文章第一作者为吉林大学物理学院博士研究生郑翔宇，通讯作者为Charles Paillard教授、赵宏建教授和谢禹教授。