基于机器学习和第一性原理计算的Janus材料预测(AI文献阅读）

type

status

date

slug

summary

(2024-12-22) 基于机器学习和第一性原理计算的Janus材料预测

Author: 张桥; 谭薇; 宁勇祺; 聂国政; 蔡孟秋; 王俊年; 朱慧平; 赵宇清;

Journal: 物理学报, 73(23): 230201-10, 2024.

Journal Tags:

Local Link: 张桥等 - 2024 - 基于机器学习和第一性原理计算的Janus材料预测.pdf

DOI: 10.7498/aps.73.20241278

Abstract:

寻找尺寸小、稳定性高和易操控的纳米磁结构——磁斯格明子(magnetic skyrmion), 是发展下一代高密度、高速度和低能耗非易失性信息存储器件核心存储单元的关键. 磁性斯格明子根据其拓扑产生机制, 可以由非中心对称结构诱导的DMI (Dzyaloshinskii–Moriya interaction)作用项产生. 二维Janus结构具有两个不同面的原子层, 可以形成垂直内建电场, 打破中心空间反演对称性. 因此寻找具有本征磁性的二维Janus材料是研究新型磁存储的基础. 本文基于晶体材料数据库Materials Project中的1179种六角晶系ABC型Janus材料数据, 以其元素组分信息为特征描述符, 构建了随机森林、梯度提升决策树、极端梯度提升和极端随机树等四种机器学习模型, 基于上述模型对晶格常数、形成能和磁矩分类进行了预测, 并采用十折交叉验证法对模型进行了评估. 梯度提升决策树在磁矩分类预测显示出最高的精度和泛化能力. 最后, 基于上述模型对尚未发现的82018种二维Janus材料进行了预测, 筛选得到4024种具有热稳定性的高磁矩结构, 并基于第一性原理的方法对其中随机抽样的13种高磁矩结构进行了计算验证. 本研究为二维Janus材料磁矩分类和高通量筛选训练了有效的机器学习模型, 加速了二维Janus结构磁性的探索. 本文数据集可在中访问获取.

Tags:

Note Date: 2025/7/17 19:57:24