Chip发表机器学习加速发现具有强磁化的新型二维磁性材料

摘要

近日，长春理工大学物理学院辛潮团队以「Machine Learning-Accelerated Discovery of Novel 2D Ferromagnetic Materials with Strong Magnetization」为题在Chip上发表研究论文，通过机器学习算法加速对具有强磁化的新型二维材料的发现。第一作者为辛潮副研究员，通讯作者为宋永利教授、潘锋教授。Chip是全球唯一聚焦芯片类研究的综合性国际期刊，是入选了国家卓越高起点新刊计划的「三类高质量论文」期刊之一。

背景

随着材料数据库的不断完备，以及算力的不断提升，材料科学研究已经进入大数据驱动的“第四范式”1。人工智能和机器学习算法在新材料的发现中扮演着至关重要的角色。自单层石墨烯被发现以来，二维材料成为凝聚态物理和材料学领域的研究热点。Mermin-Wagner理论指出，在维度d ≤ 2的体系中，由于存在热扰动，不太可能出现满足各向同性的海森堡短程磁相互作用2。然而，近年来在二维单层体系CrI3, Cr2Ge2Te6中发现的铁磁性打破了这一预言。又重新引发科研人员对二维体系中的磁性的关注热潮。

研究方法

研究团队提出了一套集高通量计算、模型预训练、磁有序分类和磁矩回归以及DFT计算验证的自适应式体系。基于C2DB和2DMP二维材料数据库，采用高通量的DFT计算筛选，构建用于预训练的完备二维磁性材料数据集，建立磁性-非磁性，铁磁-反铁磁的分类模型，以及净磁矩的回归模型。通过SHAP值分析模型可解释性。

图1. 2D磁性材料的高通量筛选和自适应式机器学习工作流

结果与讨论

研究团队通过比对不同机器学习算法：朴素贝叶斯、支持向量机、K紧邻和随机森林、XGboost、GBDT集成算法以及深度人工神经网络ANN，优化出设计新材料的最优算法策略。实现对二维材料的磁性-非磁性、铁磁-反铁磁的精准分类，分类精度AUC可达0.97。训练得到能够预测二维材料磁矩的回归模型，测试精度可达R2=0.873。该方案成功将SOAP、Sine库伦矩阵以及ACSF特征编码融合于处理少样本数据集中，弥补了机器学习算法和图神经网络在处理小数据集时的缺陷与不足，且模型具备强鲁棒性。通过对数据的深度挖掘和对数据的先验分析3, 4，经过蒙特卡洛模拟计算发现MXene-Cr2NF2体系为潜在的多铁性材料。

图2. 机器学习FM/AFM分类模型的测试结果

图3. 二维材料晶胞净磁矩的机器学习回归模型的测试结果

图4. 磁矩回归模型的可解释性SHAP值分析

该研究团队通过对SHAP值详细分析，使训练得到的机器学习模型不再是“黑箱”式的模型5，使模型具有可解释性，解决了传统机器学习算法以及神经网络模型在材料预测过程中模型不可解释性的终极难题。并且所得模型成功预测出60种二维材料具备铁磁性，其中13种材料的晶胞净磁矩大于7 μB。成功预测出Os2Cl2、Fe3GeSe2和Mn4N3S2分别为二维铁磁半导体、铁磁金属和铁磁半金属。此外，研究发现，615个候选材料样本在Intel Xeon Gold 5218处理器的集群上进行HPC计算花费近57600核时。而包括预训练在内的机器学习模型在Intel (R) Xeon (R) Platinum 8259CL上运行约560核时。整个过程中，计算时间减少了一个数量级以上，解决了算力困局，真正意义上实现机器学习算法加速发现二维磁性新材料。

参考文献

Xin, C. Advancements in High-Throughput Screening and Machine Learning Design for 2D Ferromagnetism: A Comprehensive Review. Advanced Theory and Simulations. 2300475 (2023).

Mermin, N. D. & Wagner, H. Absence of ferromagnetism or anti-ferromagnetism in one- or two-dimensional isotropic Heisenberg models. Phys. Rev. Lett. 17, 1133–1136 (1966).

Xin, C. et al. Charge disproportionation-induced multiferroics and electric field control of magnetism in a 2D MXene–Mo2NCl2. Nanoscale. 15, 14923–14930 (2023).

Xin, C. et al. Asymmetric Janus functionalization induced magnetization and switchable out-of-plane polarization in 2D MXene Mo2CXXʹ. Phys. Chem. Chem. Phys. 25, 8676–8683 (2023).

Lundberg, S.M, et al. From local explanations to global understanding with explainable AI for trees. Nat. Mach. Intell. 2, 56–67 (2020).

原文链接：

https://doi.org/10.1016/j.chip.2023.100071

联系方式：xinchao@pkusz.edu.cn

关于Chip

Chip是全球唯一聚焦芯片类研究的综合性国际期刊，已入选由中国科协、教育部、科技部、中科院等单位联合实施的「中国科技期刊卓越行动计划高起点新刊项目」，为科技部鼓励发表「三类高质量论文」期刊之一。

Chip秉承创刊理念: All About Chip，聚焦芯片，兼容并包，旨在发表与芯片相关的各科研领域尖端突破性成果，助力未来芯片科技发展。迄今为止，Chip已在其编委会汇集了来自14个国家的70名世界知名专家学者，其中包括多名中外院士及IEEE、ACM、Optica等知名国际学会终身会士（Fellow）。

爱思唯尔Chip官网：

https://www.journals.elsevier.com/chip

原创文章，作者：菜菜欧尼酱，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/12/08/bd0d992353/

Chip发表机器学习加速发现具有强磁化的新型二维磁性材料

相关推荐

分享到：