当前位置 : X-MOL首页行业资讯 › 人工智能加速新型二维铁磁功能材料研发

人工智能加速新型二维铁磁功能材料研发

二维铁磁材料由于其原子层厚度和可控的电子-自旋自由度,已成为下一代自旋电子器件制造的研究热点。如何突破传统的材料研发模式的桎梏来加速二维本征铁磁材料的研发对于二维磁性的研究至关重要。近日,东南大学王金兰点击查看介绍团队通过将人工智能技术和高通量第一性原理计算相结合,提出了一种新型二维铁磁功能材料设计的新策略。


传统的铁磁材料研发基于试错法,效率低且成本高昂,尤其是面对成千上万种候选材料时,这种方法更是捉襟见肘。与常规计算模拟的方法不同,人工智能中的机器学习技术主要依靠计算机从已有的数据中进行学习,绕过了复杂的量子力学,因此可以极大加速材料研发过程。然而受制于高质量二维磁性材料数据的匮乏以及高性能材料描述符的缺失,机器学习技术在二维铁磁材料设计领域的应用依然是一个巨大的挑战。


东南大学王金兰团队借助人工智能技术,结合密度泛函理论和高通量计算材料数据库,搭建了二维铁磁功能材料的智能化设计平台,并针对二维材料复杂性质提出了一种新的材料描述符。这一策略成功地从近4000种二维材料中,快速筛选出了近百种未研究过的二维本征铁磁半导体、半金属和金属。通过第一性原理计算和蒙特卡洛模拟,进一步发现了数十种具有较高居里温度的铁磁材料。值得一提的是,通过设计了一种基于晶体图论和元素基本性质的通用材料描述符,并且结合迭代反馈机制,机器学习模型在热力学稳定性、磁性和能带方面的预测准确率均超过了90%。该描述符采用灵活的层状结构,并且摆脱了原子精确坐标的制约,从而为机器学习设计其他新型二维功能材料提供了一种可行的方案。此外,一个包含了近1500种二维磁性材料的材料数据库被建立起来,为二维磁性的理论和实验研究提供了丰富的候选材料。


这项工作突破了机器学习技术在新型二维铁磁功能材料设计领域的瓶颈,为解决二维磁性材料,特别是铁磁半导体和半金属的短缺问题提供了一个极具潜力的策略。构建的材料智能化设计平台,将极大地加速其他二维功能材料的研发进程。


这一成果近期发表在Advanced Materials 上,文章的第一作者是东南大学博士研究生陆帅华和青年教师周跫桦


原文(扫描或长按二维码,识别后直达原文页面,或点此查看原文):

Coupling a Crystal Graph Multilayer Descriptor to Active Learning for Rapid Discovery of 2D Ferromagnetic Semiconductors/Half-Metals/Metals

Shuaihua Lu, Qionghua Zhou, Yilv Guo, Yehui Zhang, Yilei Wu, Jinlan Wang

Adv. Mater., 2020, DOI: 10.1002/adma.202002658


王金兰教授简介


王金兰教授现任职于东南大学物理学院,博士生导师,国家杰出青年基金获得者(2015)、江苏省“333高层次人才支持计划”第二层次获得者(2016)、国务院特殊津贴获得者(2018)。主持多项国家自然科学基金与国家重点研发计划,长期从事低维功能材料的理论研究工作,在二维材料、新能源材料、机器学习预测新材料等方面取得了一系列重要成果。发表SCI论文180余篇,影响因子10以上论文50余篇,受邀撰写英文综述5篇。引用超过9000次,多年连续入选“Elsevier中国高被引学者名单(2014-2019)”担任Nanoscale Horizons科学编辑、Machine Learning: Science and Technology和ChemNanoMat编辑委员会委员。


https://physics.seu.edu.cn/jlwang/

https://www.x-mol.com/university/faculty/31094


科研思路分析


Q:这项研究最初是什么目的?或者说想法是怎么产生的?

A:我们的研究兴趣在于加速新型二维铁磁材料的研发,尤其是铁磁半导体和半金属。二维铁磁材料是下一代自旋电子学器件极具潜力的候选。但是,传统的材料研发模式,不论是基于试错法还是高通量实验/计算,都存在效率低下且成本高昂的问题,尤其是面对复杂的二维磁性材料。而最近人工智能在计算机技术领域取得的举世瞩目的成就,启发了我们将机器学习算法和第一性原理高通量计算相结合的想法,希望突破传统模式的桎梏,来加速新型二维铁磁材料设计。


Q:研究过程中遇到哪些挑战?

A:本项研究中最大的挑战是高质量的二维磁性材料数据的匮乏和高性能材料描述符的缺失。为了解决这两个对于机器学习材料设计而言至关重要的问题,我们进行了细致的第一性原理高通量计算,同时针对二维材料多样化的晶体结构和复杂性质设计了新的描述符。此外,由于本身训练数据集较小,存在不完备的缺点,我们引入了迭代反馈机制,与第一性原理计算相结合,通过正反馈不断修正机器学习模型,使其预测性能达到最优。


Q:该研究成果有什么重要的意义?哪些领域的企业或研究机构可能从该成果中获得帮助?

A:该研究成果为实验和理论研究提供了一系列潜在的二维铁磁材料。同时,为机器学习设计其他新型二维功能材料提供了一种可行方案,突破了机器学习技术在二维磁性领域的应用的桎梏。另外,我们相信这项研究成果将促进新型二维材料设计、二维磁性研究以及机器学习材料设计技术的发展。


如果篇首注明了授权来源,任何转载需获得来源方的许可!如果篇首未特别注明出处,本文版权属于 X-MOLx-mol.com ), 未经许可,谢绝转载!

AI核心技术
10years
材料学研究精选
Springer Nature Live 产业与创新线上学术论坛
胸腔和胸部成像专题
自然科研论文编辑服务
ACS ES&T Engineering
ACS ES&T Water
屿渡论文,编辑服务
杨超勇
周一歌
华东师范大学
段炼
清华大学
中科大
唐勇
跟Nature、Science文章学绘图
隐藏1h前已浏览文章
中洪博元
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
x-mol收录
福州大学
南京大学
王杰
左智伟
电子显微学
何凤
洛杉矶分校
吴杰
赵延川
试剂库存
天合科研
down
wechat
bug