磁性材料发现——基于结构的机器学习方法用于磁性有序和磁矩预测
材料科学
2025-07-03 v1 机器学习
摘要
准确预测跨越多样材料体系的磁性行为仍是长期的挑战，由于结构和电子因素之间复杂的相互作用，这对于加速发现和设计下一代磁性材料至关重要。本文提出了一种改进的描述子，显著提高了使用仅来自材料结构信息预测两种关键磁性属性——磁性有序（铁磁 vs. 反铁磁）和原子磁矩——的能力。不同于以前仅限于 Mn 基或稀土-过渡金属化合物的模型，本方法跨越来自 Materials Project 的 5741 种稳定、二元和三元、铁磁和反铁磁化合物的多样化数据集。利用丰富的元素向量表示和高级特征工程，包括非线性项和降低矩阵稀疏性，LightGBM-based 模型实现了 82.4% 的磁性有序分类准确率和 FM 和 FiM 类别之间的平衡召回率，解决了先前研究中的关键局限性。该模型对原子磁矩的预测相关系数为 0.93，超越了 Hund's matrix 和轨道场矩阵描述子。此外，它准确地估计了原子形成能，从而实现对磁性行为和材料稳定性的评估。该通用且计算高效的框架提供了一个用于高通量筛选具有可调属性的磁性材料的稳健工具。
引用
@article{arxiv.2507.01913,
title = {Advancing Magnetic Materials Discovery -- A structure-based machine learning approach for magnetic ordering and magnetic moment prediction},
author = {Apoorv Verma and Junaid Jami and Amrita Bhattacharya},
journal= {arXiv preprint arXiv:2507.01913},
year = {2025}
}