基于机器学习模型的硬磁相成分优化
材料科学
2018-10-04 v2
摘要
机器学习(ML)在新材料发现与设计中发挥着日益重要的作用。本文以硬磁相为例，展示了ML在材料研究中的潜力。我们构建了基于核的ML模型，用于预测新型永磁体的最优化学成分，而永磁体是众多绿色能源技术中的关键组件。用于训练和测试ML模型的磁性能数据，来自基于密度泛函理论计算的组合高通量筛选。我们对不同构型的直接描述方式，使得后续能够利用ML模型进行成分优化，从而预测出具有与NdFeB等最先进磁性材料相似本征硬磁性能、但关键稀土元素用量更少的潜在替代材料。
引用
@article{arxiv.1803.03073,
title = {Compositional optimization of hard-magnetic phases with machine-learning models},
author = {Johannes J. Möller and Wolfgang Körner and Georg Krugel and Daniel F. Urban and Christian Elsässer},
journal= {arXiv preprint arXiv:1803.03073},
year = {2018}
}
备注
12 pages, 6 figures