利用物理信息机器学习加速发现金属-绝缘体转变化合物
材料科学
2025-06-17 v2 强关联电子
摘要
金属-绝缘体转变（MIT）材料是新兴微电子、光电子和神经形态器件的有用平台，但其发现受到电子结构建模的高计算成本、潜在机制的复杂性以及实验验证挑战的阻碍。在此，我们提出了一个物理信息机器学习框架，加速了热驱动MIT材料的发现。利用训练好的分类器，我们筛选晶体结构数据库，以识别有希望的候选材料进行更高保真度的模拟。我们重点关注CaFeO、CaCoO和CaMnO，并使用密度泛函理论（DFT）确定它们的电子和磁基态，评估其微观MIT机制。我们进一步应用机器学习回归模型估计它们的转变温度，并使用合成预测工具识别可能的前驱体和反应路径。这种集成方法减少了识别、理解和合成新型MIT材料所需的时间和精力，为加速关联量子材料的发现提供了可推广的途径。
引用
@article{arxiv.2404.08653,
title = {Accelerating Discovery of Metal-Insulator Transition Compounds Using Physics-Informed Machine Learning},
author = {Alexandru B. Georgescu and Peiwen Ren and Harshul Bhatt and Christopher Karpovich and Bipasa Samanta and Elsa Olivetti and James M. Rondinelli},
journal= {arXiv preprint arXiv:2404.08653},
year = {2025}
}