Indirect prediction and screening of frustrated magnetic materials using machine learning
本文提出了一种利用 CatBoost 的机器学习工作流，通过独立估算居里-魏斯温度和尼尔温度来间接预测磁挫折指数，成功筛选了超过 67,000 种化合物，并识别出 20 种高置信度的磁挫折候选材料，其中包括新型氧化物体系。
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
在材料科学领域，某些磁体表现出一种仿佛是在僵持不下的行为。想象一群人试图就面向哪个方向达成一致，但房间里的规则却迫使他们在同一时间向相反的方向拉扯。在物理学中，这被称为磁挫折（magnetic frustration）。当晶体的几何结构或不同磁力之间的竞争阻止了材料中微小的原子磁矩形成简单的有序模式时，就会发生这种情况。它们并没有整齐排列，而是处于一种持续的、混乱的张力状态。这种状态不仅仅是一个奇观；它是通往奇异量子行为的门户，也可能是构建未来技术中超高效冷却系统的关键。然而，寻找这些材料是极其困难的。要了解一种物质是否真正具有挫折性，科学家必须测量两个特定的温度：一个告诉他们整体磁力有多强，另一个告诉他们材料何时最终屈服并产生有序化。问题在于，对于大多数已知材料，科学家要么只有一个这样的数值，有时甚至两个都没有，这使得在成千上万个候选材料中识别出那些具有挫折性的物质几乎是不可能的。
一支研究团队现在开发了一种利用机器学习（一种能够发现数据模式的人工智能）来应对这一问题的新方法。由于直接预测复杂的挫折状态非常困难（因为数据往往是缺失的），他们并没有尝试直接预测，而是构建了两个独立的预测工具。一个工具学习如何仅根据材料的化学配方来推测磁相互作用的整体强度；另一个工具则学习如何推测材料发生有序化的温度。通过独立运行这两个工具，研究人员可以计算出任何材料的“挫折评分”，即使没有人曾在实验室中对其进行过测量。他们将这种方法应用于一个包含近 67,000 种化合物的海量数字库进行测试。该系统不仅给出了猜测列表，还计算了它对每个预测的信心程度。通过过滤掉那些计算机不确定的猜测，团队将庞大的列表缩小到了仅有的二十个高置信度候选材料。
这次筛选的结果既是对该方法的验证，也是对新领域的探索。在二十个顶级候选材料中，系统成功识别出了几种科学家已知具有挫折性的材料，例如一种含有铬和硫的钡化合物，以及两种基于锶的氧化物。这证实了机器学习的工作流程是正确的，即在未被告知寻找目标的条件下，有效地“重新发现”了已知的物理现象。但真正的价值在于系统发现的那些此前未知或未经探索的材料。排名前列的候选材料主要是氧化物化合物，特别是那些由锶、钙、钛和锰构成的化合物。这些材料通常形成被称为钙钛矿（perovskites）的晶体结构，这种结构在物理学界因其能承载复杂的磁行为而闻名。研究人员还发现了几个由铬、铜和硒组成的候选材料，这表明对挫折性的搜索并不局限于仅仅一种化学家族。
至关重要的是，研究人员谨慎地区分了计算机预测与实验室事实。他们并未声称发现了新的磁体，而是指出了一系列最有希望的研究方向。该研究明确排除了直接猜测挫折评分是否可行的想法；数据表明，分别预测两个底层的温度然后再将它们结合起来，其准确性要高得多。此外，团队证明了如果忽略计算机的不确定性，将会导致出现长长的错误警报名单。通过使用一种惩罚不确定预测的“保守型”排名系统，他们确保了最终的二十个候选名单是稳健可靠的。这项研究表明，最有成效的前进路径是专注于这些特定的氧化物家族，特别是模型识别出的具有实现那种定义了挫折性的、难以捉摸的竞争磁力之最高可能性的锶-钙-钛-锰系统。
这项工作代表了科学家探索新材料方式的一种转变。与其依赖缓慢的试错合成或需要详细晶体结构知识的高昂计算机模拟，这种方法仅利用化学成分来进行预测。这意味着它可以筛选那些尚未合成或结构尚不完全明确的材料。研究人员发现，预测磁行为最重要的因素是混合物中单个原子的磁特性，其次是关于它们的电子排列以及它们如何堆积在一起的细节。通过将问题分解为更小、更易处理的部分，并让机器从现有的实验数据中学习规则，该团队创建了一个加速搜索的实用工具。他们强调的这二十种化合物，现在成为了那些希望验证这些预测，并可能开启下一代量子材料和冷却技术的实验物理学家们的主要目标。
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。