放大
缩小
默认本报讯 近日， 物理学院王金兰教授课题组通过开发一种新型主动学习材料设计框架， 实现了高居里温度二维铁磁材料的快速准确预测， 该框架突破了复杂材料与性质空间的搜索瓶颈。 相关成果以 “On-the-fly Interpretable Machine Learning for RapidDiscovery of Two-dimensional Ferromagnets with High Curie Temperature”为题在线发表在 Chem (Cell 姊妹刊)上。
近年来，人工智能技术在材料科学领域掀起了一股技术变革浪潮。 将先进的机器学习技术与传统的实验或理论计算相结合， 不仅显著加速了材料研发进程， 也进一步提供了对材料构效关系的新认知。 尽管这种全新的科学研究范式取得了举世瞩目的成就， 但其在复杂体系和性质中的应用依然处于萌芽阶段，仍面临着诸多困难和挑战。
二维材料的晶体结构多样， 影响铁磁性质的因素复杂（结构、组分、电子、自旋等），将机器学习应用于二维磁性体系困难重重。 课题组前期结合机器学习和第一性原理高通量计算，从已有的二维材料数据库中找到了一定数量的铁磁材料（Adv. Mater. 2020,32, 2002658）。 但是实际可能的化学空间规模远远超过了现有的数据库。 在更大范围的化学空间中， 更有可能找到性能优异的二维铁磁材料。 然而，现有的数据匮乏、采样函数低效，描述符缺乏深层的物理见解、 机器学习模型缺乏可解释性， 这些因素制约了磁性材料化学空间的搜索。
为了解决这一机器学习材料设计领域普遍存在的问题，王金兰教授课题组提出了一个具有反馈迭代功能的主动学习框架，将集成学习算法和边缘采样算法相结合，自适应探索磁性化学空间。该主动学习框架集成了特征工程、模型学习、数据采样、第一性原理计算和模型解释等功能， 可以在数据匮乏和特征维度较高的情况下， 高效地探索化学空间。最终，从 20 万种候选化合物筛选出 9622 种二维铁磁候选材料， 其中 722 种为高居里温度的二维铁磁材料。 这项工作突破了机器学习技术在复杂体系与性质应用中的瓶颈， 为快速精准探索庞大化学空间提供了一种极具潜力的新策略。
本工作的第一作者为东南大学物理学院的博士生陆帅华和周跫桦副教授， 唯一通讯作者为王金兰教授， 东南大学为该工作的唯一完成单位。该工作得到了国家重点研发计划，国家自然科学基金， 中央高校基本科研业务费和江苏省自然科学基金的资助。
（陆帅华）