用于优化全 d 金属 Heusler 合金磁卡冷效应的机器学习算法

本研究探讨了机器学习算法，特别是随机森林回归模型，在优化全 d 金属 Heusler 合金的磁卡冷效应方面的应用。该模型使用与单个原子的平均性质、简单化合物基态性质以及化学无序度量相关的描述符进行了训练。它在预测结构性质方面表现出高准确度，而在预测磁性方面表现出中等准确度。为了确定最佳合金成分，使用遗传算法寻找在马氏体相变期间磁化强度差异最大的成分。通过这种组合方法，对 Ni-Co-Mn-Ti 合金系统进行了全面探索，发现了一种具有最大磁化强度差的合金。这些结果与先前基于密度泛函理论（DFT）的研究一致，并突出了将机器学习与遗传算法相结合以发现具有卓越磁卡冷性质的新材料的有效性。该研究强调需要进一步改进能够准确预测复杂磁相互作用的模型，这对于充分发挥全 d 金属 Heusler 合金在实际应用中的潜力至关重要。