海归学者发起的公益学术平台
分享信息，整合资源

交流学术，偶尔风月
作为纳米技术研究的新领域，二维（2D）铁磁（FM）材料在自旋电子学、传感器、存储技术等工程领域有巨大的应用潜力。目前已经有大量的二维铁磁材料被计算预测，包括一些通用的二维材料数据库，包含数百到数千个条目。然而，这些数据库都没有包含与实际应用相关的2D铁磁材料的最关键参数：转变温度或居里点（TC ）。这是因为TCIS的计算确定是一个非常复杂的过程，它涉及到基于人工启发的基态和低能自旋组态搜索。
来自印度科学院（IISc）电子系统工程系纳米器件研究实验室Arnab Kabiraj团队开发了一个程序，该程序执行基于第一原理的计算，然后进行基于海森堡模型的蒙特卡罗模拟，以从任何磁性二维材料晶体结构准确预测居里点。基于此代码的程序能够以高通量的方式执行计算，使用此代码能够从合适的数据库确定材料的居里点。令人惊讶的是，786种材料中有47%被归为FM，成功地测定了157种材料的TC 等磁性能。对于一些材料，预测结果与实验测量的TC 非常接近，验证了高通量方法的准确性。为了更快地发现高TC材料，进一步开发了使用这157个数据点的机器学习（ML）流水线。使用这个ML模型，可以从文献和其他数据库中识别出一些高居里温度的2DFM材料。本方法采用的信息学在准确性和效率之间达到了最佳平衡，提供了前所未有的机会来比较大量具有不同结构的材料的磁性，这可能会导致对二维磁性的许多新的见解。本研究证明了机器学习模型可以非常精确地捕捉与温度有关的自旋翻转的复杂过程。因此，可以大大提升计算材料的效率，并以促进二维磁性的快速筛选和实际应用。
该文近期发表于npj Computational Materials 6: 35 (2020)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
High-throughput discovery of high Curie point two-dimensional ferromagnetic materials  
Arnab Kabiraj, Mayank Kumar and Santanu Mahapatra
Databases for two-dimensional materials host numerous ferromagnetic materials without the vital information of Curie temperature since its calculation involves a manually intensive complex process. In this work, we develop a fully automated, hardwareaccelerated, dynamic-translation based computer code, which performsfirst principles-based computations followed by Heisenberg model-based Monte Carlo simulations to estimate the Curie temperature from the crystal structure. We employ this code to conduct a high-throughput scan of 786 materials from a database to discover 26 materials with a Curie point beyond 400 K. For rapid data mining, we further use these results to develop an end-to-end machine learning model with generalized chemical features through an exhaustive search of the model space as well as the hyperparameters. We discover a few more high Curie point materials from different sources using this data-driven model. Such material informatics, which agrees well with recent experiments, is expected to foster practical applications of two-dimensional magnetism.
扩展阅读
npj: 重离子范围—时间依赖性密度泛函的预测
npj: 室温有机材料中实现体光伏效应—对称性设计策略
npj: 机器学习—自动表征材料的微结构
npj: 低维材料设计与结构优化—快速机器学习
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方
继续阅读
阅读原文
关键词
网易
磁性
结构
方法
温度