二维材料磁有序的机器学习研究
材料科学
2022-02-11 v1
摘要
磁性材料已广泛应用于从数据存储到量子器件的众多技术中。二维材料的发展为磁性化合物开辟了新的领域，即便经典理论不鼓励对其研究。在此我们提出一种基于机器学习的策略，以预测并理解二维材料中的磁有序。该策略将利用随机森林和SHAP方法预测二维材料中磁性的存在，与由原子特征定义、预测磁有序（铁磁或反铁磁）的材料图谱相结合。随机森林模型以86%的准确率预测磁性，而SISSO方法获得的材料图谱在预测磁有序方面准确率约为90%。我们的模型表明，3d过渡金属、卤化物以及具有规则过渡金属子晶格的结构团簇对决定二维化合物中磁性存在的整体权重有正向贡献。该行为与平面场与交换劈裂之间的竞争有关。机器学习模型还表明原子自旋轨道耦合（SOC）是区分铁磁与反铁磁有序模式的关键特征。所提策略被用于识别新型二维磁性化合物，其与化学和结构空间中的基本趋势一起，为实验探索铺就了新路径。
引用
@article{arxiv.2201.12630,
title = {Machine Learning Study of the Magnetic Ordering in 2D Materials},
author = {Carlos Mera Acosta and Elton Ogoshi and Jose Antonio Souza and Gustavo M. Dalpian},
journal= {arXiv preprint arXiv:2201.12630},
year = {2022}
}
备注
31 pages, 12 figures