Learning Magnetic Order Classification from Large-Scale Materials Databases

Magnetisme is een fundamentele eigenschap van materie die alles vormgeeft, van de harde schijf in een computer tot het kompas in de zak van een wandelaar. Op atomair niveau ontstaat het door de manier waarop minuscule magnetische momenten, gegenereerd door elektronen, op elkaar zijn afgestemd. Soms wijzen ze allemaal in dezelfde richting, wat een sterke, permanente magneet creëert. Andere keren wijzen ze in tegenovergestelde richtingen, waardoor ze elkaar opheffen zodat het materiaal voor de buitenwereld niet-magnetisch lijkt. Bepalen welke van deze arrangementen een specifiek materiaal zal aannemen, is een centrale uitdaging voor wetenschappers die proberen nieuwe materialen te ontdekken. Hoewel krachtige computersimulaties deze toestanden kunnen voorspellen, blijven ze vaak steken in een sleur en vallen ze terug op het eenvoudigste antwoord, zelfs wanneer de ware, complexere realiteit anders is. Dit creëert een kloof tussen wat computers zeggen dat een materiaal is en wat het werkelijk is, een probleem dat de zoektocht naar betere technologieën vertraagt.

Een onderzoeker aan The Ohio State University heeft een nieuwe manier ontwikkeld om deze kloof te overbruggen met behulp van machine learning, een vorm van kunstmatige intelligentie die leert van patronen in gegevens. Ze richtten zich op een enorme online collectie materiaalgegevens die bekend staat als de Materials Project, die informatie bevat over honderdduizenden verbindingen. De onderzoeker ontdekte dat de computersimulaties die worden gebruikt om deze database op te bouwen een systematische bias hebben: ze labelen materialen vaak als ferromagnetisch, wat betekent dat alle interne magneten in dezelfde richting wijzen, simpelweg omdat de simulatie met die aanname begon. Om dit te oplossen, trainde de onderzoeker een computerprogramma op een kleinere, zeer betrouwbare database van materialen waarvan de magnetische toestanden zijn bevestigd door experimenten in de echte wereld. Door het programma te leren de subtiele vingerafdrukken van verschillende magnetische ordeningen te herkennen met behruik van slechts basisinformatie over de chemische samenstelling en structuur van een materiaal, creëerden ze een hulpmiddel dat de enorme database kon scannen en de fouten kon opsporen.

De onderzoeker ontdekte dat hun nieuwe hulpmiddel duizenden materialen kon identificeren die waarschijnlijk verkeerd gelabeld waren. Specifiek vonden ze meer dan 6.800 verbindingen in de grote database die als eenvoudige ferromagneten werden gemarkeerd, maar sterke aanwijzingen vertoonden voor een complexere, niet-uitgelijnde magnetische structuur. Wanneer de onderzoeker een willekeurige steekproef van deze gemarkeerde materialen controleerde tegen de wetenschappelijke literatuur, bleek dat de overgrote meerderheid inderdaad niet ferromagnetisch was. Sommigen werden bevestigd als antiferromagnetisch, waarbij naburige atomen in tegenovergestelde richtingen wijzen, terwijl anderen geen magnetische ordening vertoonden. Dit suggereert dat de oorspronkelijke computersimulaties de ware grondtoestand van deze materialen hebben gemist, waarschijnlijk omdat ze niet genoeg verschillende manieren verkenden waarop de atomen hun spins konden arrangeren. De studie benadrukt dat hoewel computersimulaties krachtig zijn, ze vatbaar kunnen zijn voor specifieke blinde vlekken die machine learning, getraind op experimentele waarheid, kan corrigeren.

Om te begrijpen hoe dit werkt, helpt het om naar de instrumenten te kijken die de wetenschapper gebruikte. De grote database die zij onderzocht, de Materials Project, vertrouwt op een methode genaamd dichtheidsfunctionaaltheorie om materiaaleigenschappen te voorspellen. Deze methode is als een geavanceerde rekenmachine die de vergelijkingen oplost die bepalen hoe elektronen zich in een vaste stof bewegen. Echter, om een antwoord te krijgen, heeft de rekenmachine een beginvermoeden nodig. In de geautomatiseerde workflows die de data van de Materials Project genereren, is het beginvermoeden bijna altijd dat alle magnetische momenten in dezelfde richting wijzen. Als het materiaal eigenlijk een andere arrangement verkiest, faalt de simulatie vaak om dit te vinden en blijft deze bij het initiële vermoeden hangen. Dit is vergelijkbaar met het proberen te vinden van het laagste punt in een bergachtig landschap door te beginnen op de top van een specifieke heuvel en alleen maar bergafwaarts te kijken; je vindt misschien een dal, maar je zult nooit het diepste dal vinden als je op de verkeerde piek begint.

De onderzoeker pakte dit aan door een classifier te bouwen, een type machine learning-model, getraind op een andere dataset genaamd MAGNDATA. Deze database bevat magnetische structuren die direct in laboratoria zijn gemeten met technieken zoals neutronenverstrooiing, die de rangschikking van atomen en hun magnetische momenten met hoge precisie kan zien. Omdat deze vermeldingen gebaseerd zijn op echte metingen, worden ze beschouwd als de gouden standaard. De onderzoeker leerde het computerprogramma te kijken naar eenvoudige kenmerken van een materiaal, zoals welke elementen het bevat, hoe dicht het is en de energieniveaus van de elektronen. Ze gebruikten geen complexe, moeilijk te berekenen details, maar eerder de basisinformatie die voor bijna elk materiaal in de grote database direct beschikbaar is. Het doel was om te zien of deze eenvoudige aanwijzingen voldoende waren om het verschil te zien tussen een materiaal dat echt ferromagnetisch is en een materiaal dat een complexere, verborgen orde heeft.

De resultaten waren opmerkelijk. Het machine learning-model leerde onderscheid te maken tussen materialen met een nul magnetische propagatievector, wat overeenkomt met eenvoudige, herhalende patronen zoals ferromagnetisme, en materialen met een niet-nul vector, wat wijst op een complexere, gemoduleerde magnetische structuur. Op de experimentele data behaalde het model een nauwkeurigheid van meer dan 92 procent, waarbij het het type magnetische ordening in de overgrote meerderheid van de gevallen correct identificeerde. Deze prestatie was opvallend beter dan eerdere pogingen met complexere neurale netwerken op verschillende datasets. Het succes van deze eenvoudige aanpak suggereert dat de chemische samenstelling en de basis structurele eigenschappen van een materiaal voldoende informatie bevatten om het magnetische gedrag te voorspellen, zelfs zonder een volledige, dure computersimulatie uit te voeren.

Gewapend met dit betrouwbare model, richtte de onderzoeker de aandacht weer op de enorme Materials Project-database. Ze pasten hun getrainde classifier toe op meer dan 150.000 materialen, waarbij ze specifiek zochten naar die als ferromagnetisch waren gelabeld maar door het model als zijnde met een niet-nul propagatievector werden voorspeld. Deze discrepantie diende als een rood vlaggetje, wat aangaf dat het materiaal mogelijk verkeerd gelabeld was. De scan onthulde een groot aantal kandidaten, waarbij de definitieve lijst met mislabelde materialen met een hoog vertrouwen meer dan 6.800 unieke verbindingen bevatte. Om te garanderen dat deze bevindingen robuust waren, controleerde de onderzoeker de resultaten door twee verschillende soorten machine learning-algoritmen te gebruiken. Ze hielden alleen de materialen over die beide algoritmen als potentieel misgelabeld hadden gemarkeerd, een strategie die de kans op vals alarm aanzienlijk verminderde.

Wanneer de onderzoeker een willekeurige selectie van deze gemarkeerde materialen onderzocht, ondersteunde het bewijs hun voorspellingen. Ze ontdekten dat veel van de verbindingen, die de grote database als ferromagnetisch bestempelde, in werkelijkheid antiferromagnetisch of niet-magnetisch waren. Zo waren materialen zoals ijzerchloride en mangaanoxide, die in de database als ferromagnetisch werden vermeld, uit experimenten bekend als zijnde met een antiferromagnetische ordening. Sommige van de gemarkeerde materialen bevatten helemaal geen magnetische ionen, wat betekende dat hun ferromagnetische label puur een artefact was van het beginvermoeden van de computersimulatie. De onderzoeker schatte dat het percentage vals alarm in de definitieve lijst zeer laag was, waarschijnlijk minder dan 5 procent, wat hen een hoog vertrouwen gaf dat de meerderheid van de gemarkeerde materialen inderdaad verkeerd gelabeld was.

Dit werk doet meer dan alleen een lijst met fouten corrigeren; het demonstreert een nieuwe manier om de betrouwbaarheid van grootschalige wetenschappelijke databases te verbeteren. Door machine learning als diagnostisch hulpmiddel te gebruiken, kunnen wetenschappers nu systematisch door miljoenen vermeldingen scannen om die te vinden die inconsistent zijn met de experimentele realiteit. Dit is bijzonder belangrijk omdat deze databases wereldwijd door onderzoekers worden gebruikt om nieuwe materialen te ontwerpen voor energieopslag, elektronica en andere technologieën. Als de onderliggende data gebrekkig zijn, kunnen de ontwerpen die erop gebaseerd zijn falen. De studie laat zien dat zelfs een eenvoudig machine learning-model, getraind op een relatief kleine set hoogwaardige experimentele gegevens, kan fungeren als een krachtig filter om deze enorme datasets op te schonen.

De onderzoeker onderzocht ook of het toevoegen van meer gedetailleerde informatie aan hun model de prestaties zou verbeteren. Ze testten het opnemen van specifieke chemische eigenschappen, zoals de gemiddelde elektronegativiteit van de elementen in een verbinding, wat meet hoe sterk atomen elektronen aantrekken. Hoewel dit wel leidde tot een kleine verbetering in nauwkeurigheid, waren de winsten bescheiden. Dit suggereert dat de basisbeschrijvingen die ze gebruikten, zoals de lijst met elementen en de dichtheid van het materiaal, al de meeste essentiële informatie bevatten die nodig is om een goede voorspelling te doen. De studie concludeert dat de belangrijkste verbeteringen in de toekomst waarschijnlijk zullen komen van het gebruik van meer geavanceerde machine learning-architecturen die naar de lokale rangschikking van atomen kunnen kijken, in plaats van alleen naar de globale gemiddelden.

Uiteindelijk benadrukt dit onderzoek de complementaire rollen van berekening, experiment en machine learning in de moderne materiaalkunde. Computersimulaties bieden een uitgestrekt landschap van mogelijkheden, maar kunnen beïnvloed worden door hun startaannames. Experimenten bieden de grondwaarheid, maar zijn traag en duur om op grote schaal uit te voeren. Machine learning fungeert als een brug, die leert van de beperkte experimentele waarheden om de biases in het uitgebreide computationele landschap te corrigeren. Door duizenden verkeerd gelabelde magnetische materialen te identificeren en te corrigeren, banen deze werkzaamheden de weg voor betrouwbaardere databases en versnellen ze de ontdekking van nieuwe materialen met de specifieke magnetische eigenschappen die nodig zijn voor toekomstige technologieën. De bevindingen dienen als een herinnering dat zelfs in het tijdperk van big data, de krachtigste inzichten vaak voortkomen uit het zorgvuldig controleren van het werk tegen de realiteit.