用于新型稀土化合物设计的机器学习赋能热力学模型

我们采用基于描述符的机器学习方法来评估化学合金化对稀土金属间化合物形成焓的影响。由于可靠数据集的有限可用性，机器学习方法在稀土金属间化合物设计中的应用一直很少。本工作中，我们开发了一个“内部”稀土数据库，包含600余种化合物，每个条目均通过高通量密度泛函理论（DFT）填充了形成焓及相关原子特征。采用基于SISSO（确定性独立筛选与稀疏算子）的机器学习方法，结合有意义的原子特征，对稀土化合物的形成焓进行训练与测试。将复杂晶格函数与机器学习模型相结合，用于探究过渡金属合金化对Ce基立方Laves相（MgCu$_{2}$型）能量稳定性的影响。SISSO预测结果与高保真DFT计算和X射线粉末衍射测量吻合良好。我们的研究为机器学习模型内的成分考量及发现新的亚稳材料提供了定量指导。我们还深入分析了Ce-Fe-Cu基化合物的电子结构，以理解相稳定性的电子起源。可解释的解析模型与密度泛函理论和实验相结合，为发现具有技术用途的材料提供了快速可靠的设计指南。