Indirect prediction and screening of frustrated magnetic materials using machine learning
Dit artikel presenteert een machine learning-workflow met behulp van CatBoost om de magnetische frustratie-index indirect te voorspellen door onafhankelijk de Curie-Weiss- en Neel-temperaturen te schatten, waarmee succesvol meer dan 67.000 verbindingen zijn gescreend om 20 hoog-betrouwbare gefrustreerde magnetische kandidaten te identificeren, waaronder nieuwe oxiden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de materiaalkunde gedragen sommige magneten zich op een manier die aanvoelt als een patstelling. Stel je een groep mensen voor die probeert te besluiten welke richting ze op moeten kijken, maar de regels van de kamer dwingen hen om tegelijkertijd in tegenovergestelde richtingen te trekken. In de natuurkunde wordt dit magnetische frustratie genoemd. Dit gebeurt wanneer de geometrie van een kristal of de competitie tussen verschillende magnetische krachten voorkomt dat de kleine atomaire magneten van het materiaal zich in een eenvoudig, geordend patroon nestelen. In plaats van netjes op één lijn te staan, blijven ze in een staat van constante, chaotische spanning. Deze staat is niet slechts een curiositeit; het is een toegangspoort tot exotische kwantumgedragingen en zou de sleutel kunnen zijn tot het bouwen van ultra-efficiënte koelsystemen voor toekomstige technologieën. Het vinden van deze materialen is echter berucht moeilijk. Om te weten of een substantie werkelijk gefrustreerd is, moeten wetenschappers twee specifieke temperaturen meten: één die hen vertelt hoe sterk de magnetische krachten in totaal zijn, en een andere die hen vertelt wanneer het materiaal zich uiteindelijk overgeeft en ordent. Het probleem is dat wetenschappers voor de meeste bekende materialen slechts één van deze getallen kennen, of soms zelfs geen van beide, waardoor het bijna onmogelijk is om de gefrustreerde stoffen op te sporen in een zee van duizenden kandidaten.
Een team van onderzoekers heeft nu een nieuwe manier ontwikkend om dit probleem te navigeren met behulp van machine learning, een vorm van kunstmatige intelligentie die patronen vindt in data. In plaats van te proberen de complexe staat van frustratie direct te voorspellen, wat moeilijk is omdat de data vaak incompleet is, hebben ze twee afzonderlijke voorspellingsinstrumenten gebouwd. Eén instrument leert de algehele sterkte van de magnetische interacties te raden op basis uitsluitend van het chemische recept van een materiaal, terwijl het andere leert de temperatuur te raden waarbij het materiaal zichzelf ordent. Door deze twee instrumenten onafhankelijk van elkaar te laten draaien, kunnen de onderzoekers een "frustratiescore" berekenen voor elk materiaal, zelfs als het nog nooit in een laboratorium is gemeten. Ze testten deze aanpak op een enorme digitale bibliotheek met bijna 67.000 chemische verbindingen. Het systeem gaf niet alleen een lijst met gokjes uit; het berekende ook hoe zeker het was van elke voorspelling. Door de gokjes te filteren waar de computer onzeker over was, verkleinde het team de enorme lijst tot slechts twintig kandidaten met een hoog vertrouwen.
De resultaten van deze screening waren zowel een validatie van de methode als een ontdekking van nieuw terrein. Onder de twintig topkandidaten identificeerde het systeem succesvol verschillende materialen waarvan wetenschappers al weten dat ze gefrustreerd zijn, zoals een bariumverbinding met chroom en zwavel, en twee strontiumgebaseerde oxiden. Dit bevestigde dat de machine learning-workflow correct werkte, door effectief bekende fysica te "herontdekken" zonder te worden verteld waarnaar gezocht moest worden. Maar de echte waarde ligt in de materialen die het systeem vond die voorheen onbekend of onverkend waren. De topkandidaten waren overwegend oxideverbindingen, specif kind die zijn opgebouwd uit strontium, calcium, titanium en mangaan. Deze materialen vormen vaak kristalstructuren die bekend staan als perovskieten, die in de natuurkunde beroemd zijn om het huisvesten van complexe magnetische gedragingen. De onderzoekers vonden ook een paar kandidaten bestaande uit chroom, koper en selenium, wat suggereert dat de zoektocht naar frustratie niet beperkt is tot slechts één type chemische familie.
Cruciaal is dat de onderzoekers voorzichtig waren om onderscheid te maken tussen een computervoorspelling en een laboratoriumfeit. Ze beweerden niet dat ze nieuwe magneten hadden ontdekt, maar eerder dat ze de meest veelbelovende plekken hadden geïdentificeerd om te zoeken. De studie sloot expliciet de mogelijkheid uit dat het simpelweg direct raden van de frustratiescore zou werken; de data toonden aan dat het apart voorspellen van de twee onderliggende temperaturen en deze vervolgens combineren veel nauwkeuriger was. Bovendien toonde het team aan dat het negeren van de onzekerheid van de computer tot een lange lijst met valse alarmen zou hebben geleid. Door een "conservatief" rankingsysteem te gebruiken dat onzekere voorspellingen bestrafte, zorgden ze ervoor dat de definitieve lijst van twintig kandidaten robuust was. De studie suggereert dat de meest vruchtbare weg vooruit ligt in het richten van experimentele inspanningen op deze specifieke oxidefamilies, met name de strontium-calcium-titanium-mangaan-systemen, die het model identificeerde als degenen met de hoogste waarschijnlijkheid om de ongrijpbare, concurrerende magnetische krachten te vertonen die frustratie definiëren.
Dit werk vertegenwoordigt een verschuiving in de manier waarop wetenschappers de ontdekking van nieuwe materialen benaderen. In plaats van te vertrouwen op trage, trial-and-error synthese of dure computersimulaties die gedetailleerde kennis van een kristalstructuur vereisen, gebruikt deze methode alleen de chemische samenstelling om voorspellingen te doen. Dit betekent dat het materialen kan screenen die nog niet zijn gesynthetiseerd of waarvan de structuren niet volledig bekend zijn. De onderzoekers ontdekten dat de belangrijkste factoren voor het voorspellen van magnetisch gedrag de magnetische eigenschappen van de individuele atomen in het mengsel waren, gevolgd door details over hun elektronische arrangementen en hoe ze zijn samengepakt. Door het probleem op te splitsen in kleinere, meer beheersbare delen en de machine de regels te laten leren van bestaande experimentele data, creëerde het team een praktisch hulpmiddel om de zoektocht te versnellen. De twintig verbindingen die zij benadrukten, zijn nu de primaire doelwitten voor experimentatoren die deze voorspellingen willen verifiëren en potentieel de volgende generatie kwantummaterialen en koeltechnologieën willen ontsluiten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.