基于结构驱动的铀化合物磁有序预测
材料科学
2024-11-06 v1 强关联电子
摘要
机器学习技术的发展彻底改变了材料属性的搜索与优化方式。这些算法通常依赖于理论计算（如密度泛函理论，DFT）作为数据输入和验证，但由于强电子关联，对于铀基材料并不总是有效。本研究提出一种计算开销低的机器学习方法，即随机森林分类器，仅使用结构输入即可预测铀化合物的磁性基态。我们训练的模型在经实验验证的磁序数据集上实现了60.2%的平均准确率，显著优于随机猜测。通过排除计算密集型的DFT计算，该方法为发现具有理想磁性能的新型材料提供了更快且可靠的替代方案，解决了量子材料中强关联所带来的挑战。
引用
@article{arxiv.2406.18444,
title = {Structure-Driven Prediction of Magnetic Order in Uranium Compounds},
author = {Christopher Broyles and William Charles and Sheng Ran},
journal= {arXiv preprint arXiv:2406.18444},
year = {2024}
}