Indirect prediction and screening of frustrated magnetic materials using machine learning
Questo articolo presenta un flusso di lavoro di machine learning che utilizza CatBoost per prevedere indirettamente l'indice di frustrazione magnetica stimando indipendentemente le temperature di Curie-Weiss e di Néel, riuscendo così a sottoporre a screening oltre 67.000 composti per identificare 20 candidati magnetici frustrati ad alta confidenza, inclusi nuovi sistemi di ossidi.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo della scienza dei materiali, alcuni magneti si comportano in un modo che sembra un vicolo cieco. Immaginate un gruppo di persone che cerca di mettersi d'accordo su una direzione da affrontare, ma le regole della stanza costringono loro a tirare in direzioni opposte contemporaneamente. In fisica, questo è chiamato frustrazione magnetica. Accade quando la geometria di un cristallo o la competizione tra diverse forze magnetiche impedisce ai piccoli magneti atomici del materiale di stabilizzarsi in un modello semplice e ordinato. Invece di allinearsi ordinatamente, rimangono in uno stato di costante, caotica tensione. Questo stato non è solo una curiosità; è una porta d'accesso verso comportamenti quantistici esotici e potrebbe essere la chiave per costruire sistemi di raffreddamento ultra-efficienti per le tecnologie future. Tuttavia, trovare questi materiali è notoriamente difficile. Per sapere se una sostanza è veramente frustrata, gli scienziati devono misurare due temperature specifiche: una che dice quanto siano forti le forze magnetiche complessive, e un'altra che dice quando il materiale finalmente cede e si ordina. Il problema è che per la maggior parte dei materiali noti, gli scienziati hanno solo uno di questi numeri, o talvolta nessuno dei due, rendendo quasi impossibile individuare quelli frustrati in un mare di migliaia di candidati.
Un team di ricercatori ha ora sviluppato un nuovo modo per navigare questo problema utilizzando il machine learning, una forma di intelligenza artificiale che trova schemi nei dati. Invece di cercare di prevedere direttamente il complesso stato di frustrazione, il che è difficile perché i dati sono spesso mancanti, hanno costruito due strumenti di previsione separati. Uno strumento impara a indovinare la forza complessiva delle interazioni magnetiche basandosi esclusivamente sulla ricetta chimica del materiale, mentre l'altro impara a indovinare la temperatura alla quale il materiale si ordina. Eseguendo questi due strumenti indipendentemente, i ricercatori possono calcolare un "punteggio di frustrazione" per qualsiasi materiale, anche se nessuno lo ha mai misurato in laboratorio. Hanno testato questo approccio su una massiccia libreria digitale contenente quasi 67.000 composti chimici. Il sistema non si è limitato a sputare fuori una lista di ipotesi; ha anche calcolato quanto fosse fiducioso in ogni previsione. Filtrando le ipotesi in cui il computer non era sicuro, il team ha ristretto la massiccia lista a soli venti candidati ad alta confidenza.
I risultati di questo screening sono stati sia una validazione del metodo che una scoperta di nuovi territori. Tra i venti migliori candidati, il sistema ha identificato con successo diversi materiali che gli scienziati sanno già essere frustrati, come un composto di bario contenente cromo e zolfo, e due ossidi a base di stronzio. Ciò ha confermato che il flusso di lavoro del machine learning stava funzionando correttamente, "riscoprendo" efficacementamente la fisica nota senza essere stato istruito su cosa cercare. Ma il vero valore risiede nei materiali che il sistema ha trovato e che sono precedentemente sconosciuti o inesplorati. I candidati principali erano prevalentemente composti ossidici, specificamente quelli costruiti da stronzio, calcio, titanio e manganese. Questi materiali formano spesso strutture cristalline note come perovskiti, che sono famose nella fisica per ospitare comportamenti magnetici complessi. I ricercatori hanno anche trovato alcuni candidati fatti di cromo, rame e selenio, suggerendo che la ricerca della frustrazione non è limitata a un solo tipo di famiglia chimica.
Fondamentalmente, i ricercatori sono stati attenti a distinguere tra una previsione del computer e un fatto di laboratorio. Non hanno sostenuto di aver scoperto nuovi magneti, ma piuttosto di aver identificato i luoghi più promettenti in cui cercare. Lo studio ha esplicitamente escluso l'idea che indovinare direttamente il punteggio di frustrazione potesse funzionare; i dati hanno mostrato che prevedere le due temperature sottostanti separatamente e poi combinarle era molto più accurato. Inoltre, il team ha dimostrato che ignorare l'incertezza del computer avrebbe portato a una lunga lista di falsi allarmi. Utilizzando un sistema di classificazione "conservativo" che penalizzava le previsioni incerte, hanno garantito che la lista finale di venti candidati fosse robusta. Lo studio suggerisce che la strada più fruttuosa da seguire sia concentrare gli sforzi sperimentali su queste specifiche famiglie di ossidi, in particolare sui sistemi stronzio-calcio-titanio-manganese, che il modello ha identificato come aventi la più alta probabilità di esibire le elusive, e competenti, forze magnetiche che definiscono la frustrazione.
Questo lavoro rappresenta un cambiamento nel modo in cui gli scienziati approcciano la scoperta di nuovi materiali. Invece di affidarsi alla lenta sintesi per tentativi ed errori o a costose simulazioni al computer che richiedono una conoscenza dettagliata della struttura di un cristallo, questo metodo utilizza solo la composizione chimica per fare le sue previsioni. Ciò significa che può esaminare materiali che non sono ancora stati sintetizzati o la cui struttura non è ancora completamente nota. I ricercatori hanno scoperto che i fattori più importanti per prevedere il comportamento magnetico erano le proprietà magnetiche dei singoli atomi nel mix, seguiti dai dettagli sulla loro disposizione elettronica e su come sono impacchettati insieme. Scomponendo il problema in parti più piccole e gestibili e lasciando che la macchina imparasse le regole dai dati sperimentali esistenti, il team ha creato uno strumento pratico per accelerare la ricerca. I venti composti che hanno evidenziato sono ora i target primari per gli sperimentali che desiderano verificare queste previsioni e potenzialmente sbloccare la prossima generazione di materiali quantistici e tecnologie di raffreddamento.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.