🔬 materials science

AI-Assisted Identification of Magnetic Orders and Skyrmions

本文提出了一种利用结构、组分和电子描述符来准确分类磁序并预测二维材料磁化强度的机器学习框架，从而实现对自旋电子应用候选材料的高效筛选以及对类斯格明子特征的识别。

原作者： Haowen Yang, Sophia Huerta, Yingying Wu

发布于 2026-09-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Haowen Yang, Sophia Huerta, Yingying Wu

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

想象一个这样的世界：你电脑内部微小的磁铁不再通过电来进行翻转，而是通过磁场的温柔推动，且几乎不消耗能量。这就是自旋电子学的承诺——这一领域旨在利用电子固有的“自旋”而非其电荷来存储和处理信息。为了让这项技术发挥作用，科学家需要能够承载特定、奇异磁性模式的材料。其中最受追捧的是斯格明子（skyrmions）：这些微小的、旋转的磁性结，具有极高的稳定性，且能以极低的能量进行移动。寻找这些材料就像在大海捞针，但这个“大海”是由数百万种不同的化学组合构成的，而那根“针”则是特定的原子排列方式，这种排列方式只有在最极端的条件下才会显露其秘密。传统上，寻找这些材料依赖于缓慢且昂贵的计算机模拟，这类模拟需要计算每一个电子的行为，而这一过程对于筛选浩如烟海的可能材料来说过于耗时。

佛罗里达大学的研究团队现在构建了一种新型数字显微镜，以加速这一搜索过程。他们并没有模拟每一个电子，而是训练人工智能，通过观察材料的化学配方和晶体形状来识别磁性材料的“指纹”。研究人员开发了两种截然不同的 AI 工具来应对这一问题。第一个工具充当“分类器”，快速判断一种材料更有可能是铁磁性的（即所有微小的原子磁矩都指向同一方向），还是反铁磁性的（即它们指向相反方向并相互抵消）。第二个工具充当“测量器”，预测给定材料的磁性强度究竟有多强。通过使用这些工具，该团队得以从超过 13 万种材料的庞大数据库中进行筛选，识别出了数千种此前被忽视或误分类的有前景的候选材料。

这段旅程始于一个挑战：现有科学数据库中的数据往往是混乱的。这些数据库虽然包含磁性状态的标签，但这些标签有时是基于计算机的初步猜测，而非材料最终的稳定状态。为了解决这个问题，研究人员编写了一套新的规则来重建每种材料真实的磁性状态。他们观察晶体结构内单个原子的微小磁矩，检查它们是平衡还是失衡，以及是排列一致还是相互对立。他们针对许多不同的数值阈值测试了这些规则，以确保其结论是稳健的，而非计算方法产生的偶然结果。这种细致的清洗过程使他们能够建立一个可靠的训练集，将材料清晰地划分为无磁性、铁磁性、反铁磁性和亚铁磁性类别。

在拥有了干净的数据集后，团队转向了第一个 AI 模型：一个旨在区分铁磁性和反铁磁性材料的分类器。值得注意的是，他们只向该模型输入了关于材料结构和组成的信息——即原子的类型、它们的排列方式以及晶格的几何形状。他们刻意排除了任何关于磁性的直接信息，迫使 AI 去学习物质形状与其磁行为之间隐藏的联系。AI 学习到，原子的间距方式和特定的元素成分包含了决定自旋是趋于一致还是相互抵消的微妙线索。当在从未见过的材料集上进行测试时，该模型正确识别了近 94% 的情况。它在识别稀有的反铁磁材料方面表现尤为出色，这类材料虽然难以寻找，但对于未来的节能设备至关重要。

第二个任务更为复杂：预测精确的磁性强度。与第一个仅涉及“是或否”的问题不同，这要求 AI 预测一个连续的数值。由于大多数材料的磁性较弱，而少数材料具有极强的磁性，导致数据分布呈现出一种倾斜性，这使得数据处理变得棘手。为了应对这一问题，研究人员对数据进行了转换，并使用了一种专门的神经网络——一种能够发现高维数据中复杂模式的深度学习模型。该模型不仅接收结构和组成的信息，还加入了有关材料电子能带以及原始计算机模拟中所用初始设置的细节。结果是一个高度准确的预测器，它能以平均每化学式单位不足一个磁矩单位的误差，估算出材料的磁性强度。这种精度意味着该模型可以可靠地对材料进行排序，帮助科学家决定哪些材料值得在实验室中进行研究。

为了证明他们的发现不仅仅是屏幕上的数字，研究人员更进一步，模拟了一种名为 $\text{Fe}_3\text{GaTe}_2$ 的极具前景的候选材料的实际磁性纹理。他们使用了一种模拟电子穿过薄片材料以生成磁场图像的技术。通过应用先进的图像处理滤波器，他们能够重建磁相并可视化材料内部的旋转模式。模拟揭示了一个复杂的磁畴景观，其中包括了科学家们正在寻找的类似斯格明子的区域。这一步骤证实了 AI 识别出的材料不仅在统计学上有可能具有磁性，而且能够承载用于下一代自旋电子应用的复杂拓扑结构。

这项工作代表了新材料发现方式的一次重大转变。通过将严谨的数据清洗与强大的机器学习相结合，研究人员创建了一个框架，能够以传统方法所需的一小部分时间来筛选广阔的化学空间。这种方法并非要取代详细的物理模拟或实验，而是作为一个高效的过滤器，将数百万种可能性缩小到一份可控的高优先级候选名单。这些模型的成功表明，磁行为的秘密就编码在材料的几何结构和化学性质之中，正等待着能够洞察人类肉眼无法识别之模式的算法去解码。随着该领域的推进，这种方法为发现能够驱动未来高效、高速电子设备的鲁棒、室温磁性材料提供了一条清晰的路径。

技术摘要：人工智能辅助识别磁有序与斯格明子

问题陈述

发现稳健、高温的二维（2D）范德华反铁磁（AFM）材料和拓扑磁态（如斯格明子/skyrmions）对于高能效自旋电子学、神经形态计算和量子技术至关重要。然而，由于传统的密度泛函理论（DFT）筛选计算成本高昂，且仅凭结构数据难以区分复杂的磁有序类型（例如 AFM 与铁磁性 FM 或亚铁磁性 FiM），识别这些材料仍面临挑战。此外，现有的数据库通常依赖于分类性的磁性标签，这可能无法准确反映真实的磁基态或磁子格之间的平衡。本研究旨在解决开发一种高效的、由机器学习（ML）驱动的框架的需求，以便在不针对每个候选材料进行详尽的第一性原理计算的情况下，筛选具有特定有序类型和定量磁化值的二维磁性材料。

研究方法

1. 数据集策展与磁态重建

作者利用了来自 Materials Project 的数据（初始条目为 271,325 个），但并未直接使用该数据库的分类磁性标签作为真值。相反，他们通过基于位点解析的 DFT 磁矩（magmom）重建了磁态，以确保物理上的准确性。

重建逻辑： 团队根据磁矩阈值（ $m_{th} = 0.20 \, \mu_B$ ）定义了活跃磁性位点。他们计算了绝对磁矩（ $M_{abs}$ ）、净磁矩（ $M_{net}$ ）、归一化对齐参数（ $A$ ）以及子格平衡度（ $B$ ）。
标注标准：
- AFM： 要求 $A \le 0.05$ （高度补偿）且 $B \ge 0.90$ （子格平衡）。
- FM： 所有活跃磁矩沿同一方向排列。
- FiM： 反向排列的子格具有显著的不平衡性。
- NM： 无活跃位点。
鲁棒性检查： 为避免对数值截断敏感，标注过程在 15 种阈值（ $m_{th}$ 和 $A_{max}$ ）组合下进行了测试。只有当材料在至少 12/15 的情况下保持标签一致时（ $R \ge 0.80$ ），才保留其标签。
数据恢复： 对于缺乏最终任务级磁矩的材料，通过针对已知的 AFM 和 FiM 候选材料从材料结构中提取位点磁矩的定向恢复过程，显著扩大了稳健的 AFM 数据集，使其从 121 个条目增加到 3,485 个。
最终数据集： 经过策展的数据集包含 21,789 种材料（18,304 种 FM，3,485 种 AFM），用于分类任务。

2. 磁有序分类（FM vs. AFM）

输入特征： 采用 136 个固定长度的描述符，这些描述符严格源自结构、成分和元素属性（例如晶格常数、配位数、成分熵、元素比例）。至关重要的是，输入中没有包含显式的磁性描述符（如磁矩、自旋极化），以防止数据泄漏。
模型： 使用 LightGBM 梯度提升决策树分类器。
验证策略： 采用按化学体系分组的五折交叉验证，以防止化学泄漏（确保化学性质相似的材料不会同时出现在训练集和测试集中）。
优化： 使用 Optuna 进行超参数调优。为了处理类别不平衡问题，将分类 AFM 的决策阈值优化为 0.318。

3. 磁化强度值预测（回归）

输入特征： 一组更广泛的 464 个原始描述符（编码后扩展至 1,264 个），包括成分、结构、电子能带结构（带隙、费米能级附近的态密度 DOS）以及计算元数据（初始磁矩、Hubbard-U、运行类型）。最终磁矩被明确排除在外。
目标值： 每个公式单元的归一化总磁化强度（ $\mu_B$ /f.u.），该分布呈现高度右偏特性。
预处理：
- 目标转换： 应用 RobustLog 转换（ $y' = \log(1+y)$ ）来压缩动态范围。
- 权重分配： 使用基于量级的加权方案，以增加训练过程中高磁化强度样本的贡献。
模型： 一个带有三个残差块的残差多层感知器（MLP），使用加权 Smooth-L1 损失函数进行训练。
集成： 通过平均三个使用不同随机种子（42, 137, 2026）训练的模型来构建最终预测器。

4. 磁性图像处理与斯格明子识别

模拟： 使用 MuMax3 生成了含有斯格明子和条纹畴的 $Fe_3GaTe_2$ 模拟洛伦兹透射电子显微镜（LTEM）图像。
相位重建： 利用单幅图像强度传输方程（SITIE）从 LTEM 图像中重建磁相位偏移。
优化： 应用 Tikhonov 正则化以过滤噪声。通过优化截止频率（ $q_c$ ）以最大化波峰信噪比（SNR），确定 $q_c = 0.016 \, nm^{-1}$ 为最优值。
分析： 提出了一种轻量级卷积神经网络（TinyCNN），用于将图像中的 HSV 色彩空间映射到三维矢量场，进行纹理分析。

关键结果

分类性能

在隔离的测试集（与训练集在化学组成上截然不同）上：

平衡准确率（Balanced Accuracy）： 93.6%。
AFM 类别表现：
- 精确率（Precision）：88.4%
- 召回率（Recall）：89.5%
- F1 分数：89.0%
- PR-AUC：0.955
观察结论： 模型仅使用结构和成分数据即可成功区分 AFM 和 FM 配置，证明了这些属性能够编码足够的关于磁交换路径的信息。

回归性能

在同一隔离测试集上：

平均绝对误差 (MAE)： 0.686 $\mu_B$ /f.u.
均方根误差 (RMSE)： 1.769 $\mu_B$ /f.u.
决定系数 ( $R^2$ )： 0.905。
误差分布： 误差在低磁化强度材料（<0.5 $\mu_B$ /f.u., MAE $\approx$ 0.25）中最低，并在高磁化强度材料（>20 $\mu_B$ /f.u., MAE $\approx$ 3.7）中增加，这反映了训练数据中高磁矩样本的稀缺性。

图像分析

通过优化的 Tikhonov 滤波进行的 SITIE 分析成功地从模拟 LTEM 图像中重建了磁相位纹理，揭示了具有更高空间对比度和更低噪声的迷宫状和斯格明子状特征。

重要性与主张

本文声称提供了一个高效、高通量的筛选二维磁性材料的框架，旨在优先考虑适用于反铁磁和拓扑自旋电子学的候选材料。

以数据为中心的严谨性： 通过从位点解析磁矩而非依赖数据库分类来重建磁性标签，作者创建了一个在物理上更稳健的数据集，特别提高了少数类 AFM 的可靠性。
结构-属性相关性： 分类结果表明，仅使用非磁性结构和成分描述符即可高精度预测磁有序（FM vs. AFM），这表明磁交换的“统计特征”被嵌入在晶体几何结构和化学组成之中。
定量预测： 回归模型提供了磁化强度的定量估计，使研究人员不仅能按有序类型，还能按磁矩大小来筛选材料。
拓扑识别： 将机器学习与图像处理技术（SITIE、Tikhonov 滤波）相结合，为从模拟或实验成像数据中识别和重建复杂的自旋纹理（如斯格明子）提供了路径。

作者将这项工作定位为“第一阶段筛选框架”，旨在缩小庞大的二维材料化学空间，从而减少后续更昂贵的第一性原理计算或实验合成所需的计算资源。他们明确指出，目前的模型预测的是 0 K 下的基态性质，尚未考虑有限温度下的相变（居里温度或奈尔温度），并将其列为未来的研究方向。