通过机器学习 surfing 多重构象-性质景观：设计磁各向异性
材料科学
2019-11-07 v1 计算物理
摘要
计算统计学科（如机器学习）的出现正在导致我们构想新化合物设计方式的范式转变。如今计算科学不仅为实验提供可靠理解，还能直接为特定应用设计最佳化合物。这种方法被称为逆向工程，需要构建能够有效预测连续结构-性质映射的模型。此处我们展示逆向工程可用于以自动化智能方式调控单离子分子磁体的磁性质。我们设计了一个机器学习模型，用以预测作为化学结构函数的能量与磁性质。然后，使用粒子群优化算法探索构象景观，以搜寻导致增强磁各向异性的新分子结构。我们发现其中一个配位角改变 5% 会导致各向异性增加 50%。我们的方法为一般类别磁性材料的化学空间的机器学习驱动探索铺平了道路。最重要的是，它可应用于任意结构-性质关系，并提供了一种从先前合成材料的知识出发自动生成具有目标性质新材料的有效途径。
引用
@article{arxiv.1911.02263,
title = {Surfing multiple conformation-property landscapes via machine learning: Designing magnetic anisotropy},
author = {Alessandro Lunghi and Stefano Sanvito},
journal= {arXiv preprint arXiv:1911.02263},
year = {2019}
}