← 最新论文
🔬 physics

High-throughput Discovery of Magnetic Rare Earth Transition Metal Alloys

本文提出了一种结合基于扩散结构的生成、分层机器学习以及密度泛函理论(DFT)筛选的加速材料发现框架,旨在识别出 300 多种低能量稀土-过渡金属磁性合金,其中包括饱和磁化强度高达约 1.8 T 的稳定相,同时为未来的高性能磁体设计提供关于掺杂剂选择和结构起源的系统性见解。

原作者: Shuo Tao, Osman Goni Ridwan, Liqin Ke, Qiang Zhu

发布于 2026-09-18
📖 1 分钟阅读☕ 轻松阅读

原作者: Shuo Tao, Osman Goni Ridwan, Liqin Ke, Qiang Zhu

原始论文采用 CC BY 4.0 许可(https://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

现代生活依赖于无形的力。驱动汽车的电动机、为风力涡轮机提供动力的发电机,以及电脑内部微小的驱动器,都依赖于永磁体。这些材料无需电力即可保持磁场活性。几十年来,最好的磁铁一直依赖于一类特定的金属家族:由稀土元素与铁或钴等过渡金属混合而成。虽然这些材料性能极佳,但价格昂贵且供应链脆弱。科学家们长期以来一直怀疑,还有其他更优的原子组合等待被发现,但可能的混合方式数量极其庞大,以至于在实验室中逐一尝试将耗费数个世纪。

为了解决这个问题,研究人员转向了一种全新的搜索方式。他们不再是在烧杯中混合化学物质,而是利用强大的计算机来构想数百万种新的晶体结构。这些结构是原子自我排列的重复模式。通过使用人工智能生成这些模式,并利用先进的物理模拟进行测试,科学家可以在踏入实验室之前找到有潜力的候选材料。这种方法使他们能够寻找不仅具有磁性,而且在现实世界中足够稳定的材料。目标是发现比现有任何材料都更强、更可靠的磁铁,并可能使用更常见的元素来降低成本和供应风险。

来自北卡罗来纳大学夏洛特分校和弗吉尼亚大学的研究团队现在已将这种高速发现法应用于寻找新型稀土磁铁的研究。他们专注于稀土元素的组合,特别是钇和钐,并与铁、钴、镍以及一些起稳定作用的其他金属进行混合。团队首先要求生成式人工智能模型为三千多种不同的化学配方创建晶体结构。该模型生成了近24万种独特的原子排列方式。这并非随机猜测;该模型基于已知的稳定材料进行训练,并受到特定化学规则的约束以创建结构,从而确保生成的模式在物理上是合理的。

一旦计算机生成了这24万种可能性,研究人员必须将其筛选出最有希望的少数几种。他们采用了两步筛选法。首先,他们运行快速的机器学习模拟,检查哪些结构可能具有稳定性。这一步排除了绝大多数候选者,仅留下几千个值得进一步观察的结构。随后,他们将这些幸存者置于一种被称为密度泛函理论的更严格、更精确的物理计算中。这一步确认了哪些结构确实是稳定的,并计算了它们的磁强度。结果是一份包含300多个低能磁性候选者的名单。其中,有五种被发现具有热力学稳定性,这意味着它们应该能够在自然状态下存在而不解体。

最令人兴奋的发现是他们所发现的磁铁的强度。表现最好的候选材料富含铁,而铁是提供主要磁力的元素。其中一种特定的组合(涉及钐和铁)达到了约1.8特斯拉的饱和磁化强度。饱和磁化强度是衡量材料在完全磁化时磁场强度的指标。作为对比,这显著强于许多目前的商业磁铁。另一个顶尖的表现者——一种由钇、铁和钛组成的混合物——也达到了接近1.8特斯拉的强度。研究人员发现,磁铁的强度在很大程度上取决于有多少铁原子被填充进结构中。能在晶格中塞入更多的铁原子,磁铁就会变得更强。

这项研究还揭示了这些新磁铁是如何构建的。大多数成功的三元化合物(即含有三种不同类型金属的化合物)并非完全全新的形状。相反,它们是已知二元结构的变体,其中一种类型的原子以非常特定的方式被另一种原子替换。研究人员发现,新的金属(如锰或钛)通过分裂原原子所在的位点进入晶体。这一过程被称为维科夫位点分裂(Wyckoff site splitting),它允许新原子在不破坏磁排列的情况下稳定结构。分析显示,锰是这类替代中的极佳选择,因为其磁方向与铁原子一致,从而增加了整体强度。相比之下,铬的排列方向相反,这削弱了磁性。这为未来的实验提供了明确的指导:如果你想要更强的磁铁,请选择与铁“志同道合”的掺杂剂。

虽然计算机找到了这300个候选者,但研究人员指出,搜索受到了人工智能所能生成的结构尺寸的限制。该模型被限制在只能生成包含不超过20个原子的晶体。团队建议,如果他们能将搜索扩展到拥有超过20个原子的更大晶体,他们可能会发现更多磁化强度超过1.8特斯拉的富铁结构。这项工作证明了这种生成式方法是导航复杂材料科学领域的强大工具。它超越了过去缓慢的试错法,为发现可能在未来为下一代电动汽车和绿色能源技术提供动力的材料提供了一条系统性的路径。前进的方向是明确的:优化模型以处理更大的结构,并在实验室中测试这些预测的候选材料,看它们是否能成为现实。

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。

试用 Digest →