铁基赫斯勒合金中磁性的设计：一种机器学习方法
材料科学
2017-06-07 v1
摘要
结合材料信息学与高通量电子结构计算，为复杂磁性材料的快速表征提供了可能。本文中我们证明，在ab initio水平上计算的电子性质数据集可有效用于识别和理解磁性材料中的物理趋势，从而为加速材料发现开辟新途径。遵循以数据为中心的方法，我们利用在密度泛函理论水平上计算的赫斯勒合金数据库，来识别Fe赫斯勒原型中邻近铁的理想离子。发现铁与最近邻离子的杂化导致在位铁电荷的重新分布，及其磁矩的净增加与的价态成正比。因此，后过渡金属是产生高磁矩铁基赫斯勒磁体的理想铁邻体。同时，热力学稳定性分析发现将限制为主族元素。训练用于预测赫斯勒合金磁矩和体积的机器学习回归器，被用于确定属于所提出原型的全部材料的磁化强度。我们发现CoFe合金，特别是CoFeSi，使磁化强度最大化，达到高达1.2T的值。这与ab initio和实验数据均吻合良好。此外，我们确定CuFe族是一种高性价比材料类别，提供约0.65T的磁化强度。
引用
@article{arxiv.1706.01840,
title = {Designing magnetism in Fe-based Heusler alloys: a machine learning approach},
author = {Mario Žic and Thomas Archer and Stefano Sanvito},
journal= {arXiv preprint arXiv:1706.01840},
year = {2017}
}
备注
8 pages, 7 figures