Acta Mater.：借助機器學習模型實現硬磁相的組成優化

【引言】

機器學習近期躋身為材料研究中的重要工具。機器學習模型現已成功應用于預測晶界能和純金屬中的遷移率，鐵電體距離溫度和鈣鈦礦的種類等。然而，機器學習的主要應用被限制在和原子能或原子力直接相關的性質。這一限制主要起源于互聯網數據庫中眾多結構和組成的能量高精缺密度泛函理論數據的可用性。機器學習在準確預測和優化未在數據庫存檔的其他材料性質的潛力，還需要進一步探索。

【成果簡介】

近日，德國Fraunhofer材料力學研究院的Johannes J. Moller博士（通訊作者）和弗萊堡大學的研究人員合作，在Acta Materialia上發表了題為“Compositional optimization of hard-magnetic phases with machine-learning models”的文章。在該篇文章中，作者使用硬磁相作為說明例子，闡釋了機器學習在材料研究領域的前景。作者建立了基于kernel的機器學習模型來預測新型永磁體的最優化學組成，這在許多綠色能源技術上都是關鍵部分。基于密度泛函理論計算的組合高通量篩選，所得磁性能數據由于訓練和測試機器學習模型。文章作者直接選擇描述不同構型，有助于用于組成優化機器學習模型的后續使用，從而預測如Nd₂Fe₁₄B的先進磁性材料的潛在替代品，要求其具有類似的本征硬磁性質，但稀土元素的臨界值更低。

【圖文導讀】

圖1：用Wyckoff位置表示的R_EA₁₂X結構的晶體結構。對稱等價的A原子的連接鍵選用更明顯的表示。

圖2：所選的R_E(Fe,A)₁₂X化合物的描述符的圖示。

圖3：用于表征含Nd化合物的μ₀M、K₁和E_f的SVR模型的十重交叉驗證結果。

圖4：用于表征含Nd化合物的μ₀M、K₁和E_f的SVR模型和LR模型的測試。

圖5：通過未知組成的NdFe_12-z/2Co_z/2N和TB-LMTO-ASA結果的比較，kernel函數對K₁預測的影響。

【小結】

該工作結果清楚地闡釋了機器學習方法在材料發現和設計方向的潛力。通過模型超參數的適當選擇和材料描述，準確預測整個化合物空間的材料性能以及識別優化已獲得性質的組成成為可能。最后，機器學習的應用僅被訓練數據的可獲得性和準確度限制。

文獻鏈接：Compositional optimization of hard-magnetic phases with machine-learning models（Acta Mater.，2018，DOI：10.1016/j.actamat.2018.03.051）

本文由材料人計算材料組Isobel供稿，材料牛整理編輯。

材料牛網專注于跟蹤材料領域科技及行業進展，這里匯集了各大高校碩博生、一線科研人員以及行業從業者，如果您對于跟蹤材料領域科技進展，解讀高水平文章或是評述行業有興趣，點我加入編輯部大家庭。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：cailiaorenkefu

材料測試、數據分析，上測試谷！