通过机器学习和并行计算发现并设计可调磁各向异性的 Fe-Co-Zr 磁性材料
材料科学
2025-07-01 v1 计算物理
摘要
稀土（RE）免除的永磁材料作为替代稀土含磁性材料，已为可持续能源技术和现代电子器件引起广泛关注。我们利用在 GPU 加速的超大规模计算资源上运行的可扩展、机器学习辅助的材料发现框架，对 Fe-Co-Zr 三元空间中的新型硬磁性材料进行了全面搜索。该框架将晶体图卷积神经网络（CGCNN）机器学习方法与第一性原理计算相结合，以高效地导航巨大的组成-结构空间。机器学习方法的效率和准确性使我们能够揭示 9 种新的热力学稳定的三元 Fe-Co-Zr 化合物，以及 81 种前景可期的低能 metastable 相，其形成能在凸面积之上保持在 0.1 eV/atom 以上。预测的化合物涵盖广泛的晶体对称性和磁性行为，为调节功能性属性提供了丰富的平台。基于对特定晶格位置磁性能的分析，我们显示，通过化学掺杂可进一步优化我们机器学习发现的 Fe6Co17Zr6 化合物。化学取代导致 Fe5Co18Zr6 相具有强烈的各向异性 K1 = 1.1 MJ/m3，以及一个稳定的四元磁性 Fe5Co16Zr6Mn4 化合物。
引用
@article{arxiv.2506.22627,
title = {Accelerated discovery and design of Fe-Co-Zr magnets with tunable magnetic anisotropy through machine learning and parallel computing},
author = {Weiyi Xia and Maxim Moraru and Ying Wai Li and Timothy Liao and James R. Chelikowsky and Cai-Zhuang Wang},
journal= {arXiv preprint arXiv:2506.22627},
year = {2025}
}