利用图神经网络加速二维磁体的数据驱动发现与筛选

在本研究中，我们采用图神经网络(GNNs)来加速发现具有自旋电子学应用变革潜力的新型二维磁性材料。利用Materials Project数据库与Computational 2D materials database (C2DB)的数据，我们在一个包含1190个能量高于凸包($E_{\text{hull}}$)小于0.3 eV/原子的磁性单层的数据集上训练了三种GNN架构。我们的Crystal Diffusion Variational Auto Encoder (CDVAE)生成了11100个候选晶体。随后在两个Atomistic Line Graph Neural Networks (ALIGNN)上的训练以93$\%$的准确率预测磁性单层，并以0.039 eV/原子的平均绝对误差预测$E_{\text{hull}}$。在基于磁性可能性和预测能量筛选候选、将单层原子数限制为五个或更少并进行维度检查后，我们确定了190个候选。这些候选使用密度泛函理论(DFT)验证，以确认其磁性与能量有利性，得到167个$E_{\text{hull}} < 0.3$ eV/原子且总磁化强度$\geq$ $0.5 \mu_{B}$的磁性单层。我们的方法提供了一种加速探索和预测潜在二维磁性材料的途径，为旨在发现新二维磁体的持续计算与实验努力作出贡献。