为了拓展目前还没有进行探索的可能应用于智能数字技术的非Pb铁电材料，通过多组分合金化调节组分能够得到更强的极化性能。

有鉴于此，延世大学Aloysius Soon、Ji-Hwan Lee等报道通过第一性原理计算对A位点同位等价态元素合金化材料(K,A)NbO₃，特别对不同组成的(K,A)NbO₃考察混合后的热力学变化和有关的极性，得到具有优异铁电性能改善的材料。

本文要点：

（1）

为了建立设计高性能铁电材料的结构-性能关系，通过新型技术SISSO（sure independence screening sparsifying operator）能够对(K,A)NbO₃材料中对A位极性的关键影响，通过新标准进行特征辅助回归与分类，SISSO模型能够很好的对A位点的极性变化预测，预测的误差低于1 %。

（2）

通过相关研究给出的机器学习模型，给出了新组分极性组分分布图，其中最好达到25%的极化改善，相对于KNbO₃总极性提高150 %。

本文研究为设计发展不含Pb的多组分铁电氧化物提供经验和指导。

参考文献

Seung-Hyun Victor Oh, Woohyun Hwang, Kwangrae Kim, Ji-Hwan Lee, Aloysius Soon, Using Feature‐Assisted Machine Learning Algorithms to Boost Polarity in Lead‐Free Multicomponent Niobate Alloys for High‐Performance Ferroelectrics, Adv. Sci. 2022, 2104569

DOI: 10.1002/advs.202104569

https://onlinelibrary.wiley.com/doi/10.1002/advs.202104569