Large spin splitting metallic altermagnets from machine-learned design rules
本研究利用可解释机器学习来识别金属交错磁体(altermagnets)的设计规则,从而发现了一类具有大自旋分裂的稳定四方晶系 赫斯勒化合物,其性能超越了现有基准,并展现出极具前景的隧道磁电阻效应。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
在电子学领域,根据电子自旋来控制电子流是构建更快、更高效设备的“圣杯”。几十年来,科学家一直依赖两种主要的磁性材料来实现这一目标:铁磁体(ferromagnets),它们像带有强净磁矩的小型条形磁铁一样;以及反铁磁体(antiferromagnets),其内部磁力相互抵消,从而不产生外部磁场。铁磁体易于使用,但会产生干扰相邻组件的杂散磁场;而反铁磁体虽然安静且密度大,但由于缺乏净磁场,难以进行操控。第三类被称为“交错磁体”(altermagnets)的材料应运而生,旨在填补这一空白。这些材料具有类似于反铁磁体的安静、抵消的磁序,但仍能实现类似于铁磁体的基于自旋方向的电子能级分裂特征。这种独特的结合使其能够在不产生困扰传统设备的混乱磁场的情况下,携带自旋极化电流,使其成为下一代自旋电子技术的有力竞争者。
尽管具有理论上的吸引力,但寻找符合这些描述的现实世界材料一直是一个挑战。虽然研究人员已经发现了一些例子,但大多数要么是阻断电流的绝缘体,要么是难以集成到标准电路中的半导体。最令人向往的目标是一种能够表现出巨大且清晰自旋态分离的金属交错磁体,特别是具有“d波”(d-wave)模式的那种,因为这是产生有用电流的最有效形状。直到现在,这类材料仍然十分稀缺,而且对它们的搜索往往是一个没有明确寻找路径、不断测试一种又一种化学化合物的缓慢试错过程。
瑞典隆德大学和林雪平大学的研究人员通过将人工智能与高速计算机模拟相结合,改变了这种搜索方法。该团队并没有盲目地测试成千上万种随机化学物质,而是首先训练了一个机器学习模型,使其能够识别导致大规模自旋分裂的隐藏模式。他们将来自180种先前研究过的磁性材料的数据输入计算机,使算法能够学习哪些结构和化学特征最为重要。该模型迅速确定了两条成功的简单规则:晶体结构需要紧凑,即由少量原子紧密排列而成;并且结构内的磁性原子必须能够持有强大的局部磁矩。这些发现为下一阶段的搜寻提供了明确的指令。
带着这些规则,研究人员将注意力转向了一类被称为“赫斯勒合金”(Heusler alloys)的特定化学化合物家族,这些化合物由三种不同的元素组成,排列成四方晶体形状。他们利用先进的密度泛函理论(一种计算固体中电子行为的严谨方法)筛选了307种不同的此类化合物变体。计算机模拟充当了过滤器,首先检查晶体对称性是否允许这种特殊的交错磁态存在,然后验证该材料是否保持金属特性。在数百个候选者中,模拟确认了157种确实是金属交错磁体。随后,团队通过检查稳定性进一步缩小了名单,确保这些材料在正常条件下不会解体或改变形状。这一过程使他们获得了一个包含16个极具前景的候选者的短名单,这些材料不仅稳定,而且具备所需的磁性特征。
结果令人瞩目。其中几种新材料表现出的自旋分裂远大于以往已知的任何金属交错磁体。表现最好的化合物——一种由钴、铝和钪组成的化合物,显示出2.24电子伏特的自旋分裂;而第二个候选者——由铁、铝和锗组成的化合物,达到了2.07电子伏特。为了直观理解,之前的金属交错磁体基准材料是锑化铬(chromium antimonide),在相同的测试条件下,其分裂度约为1.43电子伏特。这些新材料将此前最佳金属示例的性能提高了一倍多。研究人员还计算了这些材料在实际器件中的表现,估计钴-铝-钪化合物可以产生高达203%的隧道磁电阻。这是衡量材料利用自旋有效地切换电学电阻的能力,对于存储器和逻辑门至关重要。
这项研究不仅发现了单一的获胜者,还证明了机器学习方法的有效性。算法识别出的两个简单标准——紧凑的单胞和强大的局部磁矩——被证明是寻找全新化学家族中大规模自旋分裂的可靠预测指标。研究人员证实,这些材料不仅仅是理论上的好奇产物;它们在动力学和机械上都是稳定的,并且许多材料都处于一个低能量状态,这表明它们可以在实验室中合成。研究还绘制了电子自旋在这些材料中是如何运动的图谱,揭示了分裂并不均匀,而是遵循特定的四瓣模式,并随行进角度的变化而改变方向。这种定向行为是d波序的标志,对于创建先进电子设备所需的复杂自旋电流至关重要。
这项工作并未止步于识别。研究人员为实验人员提供了一份详细的路线图,强调了钴-铝-钪和铁-铝-锗变体是目前最值得立即进行合成的目标。他们还计算了内禀自旋霍尔电导率(衡量材料将电流转化为自旋电流能力的指标),发现其数值显著,足以与目前工业界使用的最佳材料相媲美。通过将可解释的机器学习与有针对性的第一性原理计算相结合,该团队不仅发现了一个高性能的新材料家族,还建立了一种寻找它们的新方法。这种方法表明,寻找完美磁性材料不再是一场碰运气的游戏,而是一次由数据本身揭示的模式所照亮的引导式探索。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。