通过显式机器学习揭示Heusler合金临界温度的依赖性
材料科学
2025-10-22 v1
摘要
我们采用可解释的显式机器学习方法分析铁氏体和费米铁磁Heusler化合物磁相变温度 的材料依赖性。对于约200种化合物，我们考虑实验测得的 以及使用基于ab initio磁相互作用计算结合蒙特卡罗求解的 。我们采用分层依赖提取 (HDE) 程序 [Morée 和 Arita, Phys. Rev. B 110, 014502 (2024)] 从主导因素到更高阶因素，提取 对化学成分和磁矩的依赖关系，并构建 的显式表达式。主要结果如下：(a) 主要由Fe、Co、Mn的比例控制，且随这些比例的增加而增大，与先前针对铁磁材料的机器学习分析一致。(b) HDE对 的描述精度与其他机器学习方法相当。(c) HDE表达式的 可解释为一种随磁化幅度增加而增大的广义序参数，与各种相变理论一致。这些结果加深了我们对Heusler铁磁合金中 材料依赖性的理解，激励了在材料设计中进一步应用HDE。
引用
@article{arxiv.2510.18469,
title = {Uncovering critical temperature dependence in Heusler magnets via explicit machine learning},
author = {Jean-Baptiste Morée and Juba Bouaziz and Ryotaro Arita},
journal= {arXiv preprint arXiv:2510.18469},
year = {2025}
}
备注
14 pages, 7 figures, 1 table