基于机器学习势能和转移学习回归的功能材料准确筛选：Heusler 合金基准

presented a 基于机器学习加速的高通量（HTP）工作流程，用于发现具有大磁晶向能（$E_{\mathrm{aniso}}$）的磁性材料。以 Heusler 合金为测试案例，筛选四元和全 $d$ Heusler 合金，以寻找稳定合金。使用 eSEN-30M-OAM 互原子势进行结构优化和形成能和距离凸面包浆的评估，而使用 eSEM 模型在 DxMag Heusler 数据库上训练的模型预测局部磁矩、声子稳定性、磁性稳定性和 $E_{\mathrm{aniso}}$。采用冻结迁移学习策略以提高准确性。机器学习 HTP 工作流程识别的候选化合物经密度泛函理论验证，确认了高预测精度。我们还对不同 uMLIPs 的性能进行了基准测试，讨论了局部磁矩预测的保真度，并展示了从通用互原子势进行的迁移学习对未见元素（unseen elements）的泛化能力。