作者:by Lauren Smith, Carnegie Mellon University Chemical Engineering
磁性材料的需求量很高。它们对于电气化依赖和机器人系统为自动化供电的能源创新至关重要。它们也内部更熟悉的产品,从消费电子设备到磁共振成像(MRI)机器。
当前的来源和供应连锁店将无法随着需求的持续增长而跟上。我们需要设计新的磁性材料,很快。
卡内基·梅隆大学,劳伦斯·伯克利国家实验室和Fritz-Haber-Institut der Max-Planck-gesellschaft之间的合作正在扩大功能,可以通过机器学习模型筛选潜在的新材料。
研究磁性特性的复杂性一直是材料发现的很大限制。在非磁性材料中,这些特性取决于存在哪种原子以及它们的排列方式。
约翰·基金(John Kitchin)说:“有了磁性材料,还有一种自由度。”“在每个磁性的原子上,都有一点磁性矢量,并且性能取决于这些向量的排列。”
即使相同的原子处于相同位置,材料特性也可以根据磁载体的大小和方向而有所不同。
现有的用于筛选新材料的高通量方法不考虑磁性特性。例如,密度功能理论和更快的机器学习模型,例如,可以计算能量,力和热力学。他们缺乏自由度的自由度。没有预测磁性特性所需的其他变量,现有方法不准确,太慢或太昂贵,无法设计磁性材料。
研究人员开发了一种新的机器学习模型,该模型可以通过区分磁性矢量的布置来预测材料的磁性。卡内基·梅隆(Carnegie Mellon)化学工程学教授Kitchin说:“这是第一个具有允许旋转为输入参数的自由度的模型。”
发表在国家科学院论文集,,,,工作是与劳伦斯·伯克利国家实验室和罗汉·尤里·桑斯普尔(Rohan Yuri Sanspeur)和阿德什·科鲁鲁(Adeesh Kolluru)的温宾XU合作,他们在博士学位的过程中贡献了。卡内基·梅隆(Carnegie Mellon)的化学工程学生。
Kitchin,Xu,Sanspeur和Kolluru的研究还揭示了一种新的数据质量分析方法。像他们开发的模型一样,在由数十万甚至数百万计算的数据集上进行了培训。检查每个计算都是不可行的,这些数据集通常包含一些离群值。
Kitchin说:“这种模型使我们发现了没有融合的数据群。”“以前没人知道要检查一下。”一旦他们可以在数据集中找到异常,Kitchin,Xu,Sanspeur和Kolluru就可以重新运行计算,并获得更好的数据以继续培训其模型。
凭借该模型的最先进的预测准确性和数据效率,设计磁性材料并了解磁性在催化中的影响现在更加可行。由于可以廉价地进行计算,因此研究人员可以尝试不同的优化算法来采样磁性矢量的所有不同排列,并快速计算哪种排列的能量最低。
可以使用该模型来筛选可能的添加剂以制作下一个SuperMagnet。它可以确定哪个稀土元素强调磁场或减少磁场。
该模型还为磁性在催化中的作用进行了更全面的探索打开了大门。Kitchin说:“人们错过了几何形状或吸附现象,因为很难找到磁性的影响。”计算很昂贵,并且通常会忽略材料表面与其大块之间的对称差异。
Kitchin解释说:“表面上的旋转可能比正常旋转更多。”“如果您认为表面看起来像散装,您可能会错过最低的能量布置。”
Kitchin,Xu,Sanspeur和Kolluru的模型可能有助于在其他磁性状态下找到反应途径。
更多信息:Sanspeur,Rohan Yuri等人,旋转通用的通用图神经网络,用于模拟磁有序,国家科学院论文集(2025)。doi:10.1073/pnas.2422973122,,,,www.pnas.org/doi/10.1073/pnas.2422973122
引用:作为输入参数旋转:机器学习预测材料的磁性(2025,7月8日)检索2025年7月8日来自https://phys.org/news/2025-07-Parameter-machine-machine-magnetic-properties-materials.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外,没有未经书面许可,可以复制部分。内容仅用于信息目的。