基于简单物理模型数据生成的铁氧体纳米粒子X射线衍射磁化预测机器学习研究
材料科学
2025-12-17 v1
摘要
自动化和高通量表征与合成对于材料开发日益重要，这些方法需要机器学习(ML)工具来评估材料属性，理想情况下基于单一测量。我们开发了ML模型，以从X射线衍射(XRD)预测铁氧体纳米粒子的磁化。我们的方法是首先开发一套模拟数据，将调制XRD（基于晶体学信息文件(CIF)）与简单磁模型关联，以确定给定磁场下的磁化，从而在大量模拟数据上训练随机森林和梯度提升回归模型。通过合成铁氧体纳米粒子并通过XRD测量晶体结构和室温磁化曲线来验证模型。在此过程中，我们可以微调训练超参数以及用于训练模型的模拟数据集的最佳大小。通过优化，最佳模型可实现R²大于0.9，用于预测五个实验样本（用于调优）在2.8 T处的最大磁化。最后，我们在完整的磁化-磁场曲线上Demonstrate了合理的预测，表明RF模型在预测高磁场值方面表现突出，这对于确定铁氧体纳米粒子合成在应用（如磁性粒子成像(MPI)、热磁性粒子成像(T-MPI)和超声热效应）中的成功至关重要。
引用
@article{arxiv.2512.13909,
title = {Machine Learning for Predicting Magnetization from X-ray Diffraction of Iron Oxide Nanoparticles Using Simple Physics-Based Data Generation},
author = {Frank M. Abel and Paige Burke and Daniel Wines and Brian Donovan and Michelle E. Jamer and Kamal Choudhary},
journal= {arXiv preprint arXiv:2512.13909},
year = {2025}
}