Atomistic prediction of magnetic behaviour across chemistry, structure and temperature
本文介绍了 MagPT，一种广泛预训练的原子级基础模型，该模型通过同时处理原子位置和矢量自旋矩，成功预测了跨越不同化学成分、结构和温度的复杂磁行为，从而克服了特定材料方法的局限性。
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
磁性材料是现代技术背后许多隐形的引擎，从存储我们记忆的硬盘到驱动电动汽车的电机，皆是如此。这些材料的核心在于两种力量之间的微妙平衡：原子的排列以及每个原子上被称为“自旋”的微小磁性箭头所表现出的行为。在许多材料中，这些自旋指向同一个方向，从而产生强大的磁性；而在另一些材料中，它们则会扭转和旋转，形成可以受热或压力操控的复杂图案。几十年来，科学家们一直难以预测这些材料在条件变化时会如何表现。传统方法就像是通过步行走遍每一寸土地来绘制大陆地图；它们虽然极其精确，但速度太慢且成本太高，无法用于探索各种新材料的广阔图景。挑战在于建立一个不仅理解原子位置，还理解其磁性箭头指向及其强度的模型，同时还要兼顾材料在被加热、挤压或与其他元素混合时的状态。
研究人员现在推出了一种名为 MagPT 的新方法，这是一种强大的计算机模型，旨在预测广泛的化学成分、结构和温度范围内的磁性行为。研究人员并没有为每种想要研究的材料都构建一个全新的定制模型，而是利用包含 4 种不同元素的庞大数据集对该系统进行了训练。他们向模型输入了近一百万种不同的场景，涵盖了从绝对零度到 1,000 摄氏度以及高达 10 吉帕斯卡压力的各种条件。至关重要的是，该模型被教导将原子的化学身份、空间位置以及其磁矩的方向和强度视为一个单一且相互关联的整体。这使得系统能够区分两种在原子结构上看起来完全相同、但由于内部磁性箭头排列不同而具有不同磁特性的材料。通过学习这种深层的联系，该模型可以预测材料对变化的响应，而无需针对每一次新实验进行重新训练。
研究人员通过要求该系统解决通常需要昂贵且耗时计算的问题，对该系统进行了测试。在一次测试中，他们要求模型预测各种金属合金在混合不同元素时磁性会如何变化。在没有针对这些特定合金进行专门训练的情况下，该模型成功重现了一个描述磁性随成分变化的著名科学法则，捕捉到了局部化学环境影响磁强度的细微方式。在另一个实验中，他们使用一种被称为 FeGe 的材料进行模拟，该材料以承载被称为“斯格明子”（skyrmions）的微小旋转磁性图案而闻名。这些图案极难研究，因为它们的跨度可以是单个原子间距的数百倍。在从完全随机的磁性箭头排列开始后，模型自发地将它们组织成了正确的、复杂的旋转图案，跨越了近 300 个单位的距离，这与在真实实验中所观察到的现象相吻合。这表明该模型已经掌握了磁性相互作用的底层规则，足以从简单的局部指令中生成大规模的有序行为。
这种方法的威力延伸到了被称为“高熵合金”的复杂多元素合金领域，这类合金因原子混合方式杂乱无章而极难预测。研究人员将他们的模型应用于一种由铁、钴、镍、钽和铝组成的特定合金。该模型不仅预测了材料的整体磁强度，还揭示了单个原子的磁强度如何根据其紧邻的邻居而变化。它显示出，即使在同一块金属内部，被特定元素包围的铁原子与被其他元素包围的铁原子相比，其磁强度也会有所不同。在与二十二种不同版本的该合金的实际测量值进行对比时，模型的预测结果与实验结果高度吻中，准确识别出了哪些样本具有强磁性，哪些则较弱。这种洞察化学与结构如何结合产生磁性的能力，为设计具有特定磁特性的材料提供了一种新途径。
或许最重要的发现是，该模型可以利用极少量的额外数据来适应新材料。一旦完成了通用系统的训练，研究人员只需使用通常所需数据的一小部分，就能对其进行针对特定材料（如铁或磁性形状记忆合金）的微调。随后，这个经过微调的模型可以被简化为一个更小、更快速的版本，用以模拟这些材料在不同温度和磁场下的行为。这些模拟表明，该模型可以准确预测材料在加热时何时会失去磁性，以及在暴露于外部磁场时如何翻转其磁方向。结果表明，通过将材料的化学状态、结构状态和磁性状态视为一个统一的整体景观，科学家现在可以以前所未有的方式探索磁性物质的行为，从而超越特定材料的经验主义猜测，迈向一个理解并设计未来磁性材料的通用框架。
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。