报告题目：Application of physically informed neural networks for multiscale-multiphysics modelling of functional materials: A case study on perovskite ferroelectrics（物理信息神经网络在功能材料多尺度多物理场建模中的应用——以钙钛矿铁电体为例）
报 告 人：Michael Zaiser 教授、博导 长江学者讲座教授
报告时间：9月2日（星期三），10：00-11：30
报告地点：明德楼B305
报告人简介：
Michael Zaiser，德国埃尔朗根-纽伦堡大学材料系讲席教授（Chair Professor），材料模拟研究所所长。1994年毕业于德国斯图加特大学，获理论物理博士学位，历任英国爱丁堡大学讲师、教授。四川省“天府学者”特聘专家，教育部“海外名师”。主要研究领域为微纳米材料力学及高性能材料，应用统计物理、材料科学、固体力学等理论，研究材料的微结构和缺陷的无序性和随机性，及对其材料宏观力学性能的影响。在Science，Nature Physics，Nature Communications，Advanced Energy Materials，Physical Review Letters等国际顶尖期刊上发表学术论文200余篇，累计引用达8000余次，出版专著2部，参与编写专著5部。
报告摘要：
Microstructural processes and macroscopic response of many functional materials are characterized by couplings between multiple fields which are mediated by complex atomic-scale processes. Predictive physical modelling therefore requires a multiscale approach integrating information from quantum mechanics, atomistic dynamics, and microstructure physics. We discuss such an approach for a paradigmatic ferroelectric material (BaTiO3) with perovskite structure. We show how physically informed neural networks can be used to construct differentiable representations of atomic-scale data which serve to parameterize complex multiphysics models within a continuum phase-field framework. We discuss the conceptual problems and technical issues encountered and demonstrate the predictive power of the obtained model in simulating domain microstructure evolution under mechanical stimulation.
相关成果：
Wang, X, Wendler, F., Azuma, H., Zaiser, M., Ogata, S., Kobayashi, R., Lei, Z., Tan, X. (2026). Multiscale Modelling of Ferroelectrics using a Physics-Informed Neural Network Driven by Molecular Dynamics Data: Parameter Identification and Field Reconstruction. npj Computational Materials, accepted.
主办单位：新能源与材料学院/光伏新能源现代产业学院
四川省玄武岩纤维复合材料开发及应用工程技术研究中心
四川省页岩气高效开采先进材料制备技术工程研究中心
能量转换与储存先进材料四川省国际科技合作基地
氢能绿色制取川渝重点实验室
科学技术发展研究院
