详细内容或原文请订阅后点击阅览
自旋作为输入参数：机器学习预测材料的磁性
磁性材料的需求量很高。它们对于电气化依赖和机器人系统为自动化供电的能源创新至关重要。它们也内部更熟悉的产品，从消费电子设备到磁共振成像（MRI）机器。
来源:英国物理学家网首页磁性材料的需求量很高。它们对于电气化依赖和机器人系统为自动化供电的能源创新至关重要。它们也内部更熟悉的产品，从消费电子设备到磁共振成像（MRI）机器。
当前的来源和供应连锁店将无法随着需求的不断增长而跟上。我们需要迅速设计新的磁性材料。
磁性材料卡内基·梅隆大学，劳伦斯·伯克利国家实验室和Fritz-Haber-Institut der Max-Planck-Gesellschaft之间的合作正在扩大功能，以使用机器学习模型来筛选潜在的新材料。
研究磁性特性的复杂性一直是材料发现的很大限制。在非磁性材料中，这些特性取决于存在哪种原子以及它们的排列方式。
“使用磁性材料，还有一种自由度，”约翰·基金（John Kitchin）说。 “在每个磁性的原子上，都有一点磁性矢量，并且性能取决于这些向量的排列。”
即使相同的原子处于相同位置，材料特性也会根据磁向量的大小和方向而有所不同。
研究人员开发了一种新的机器学习模型，该模型可以通过区分磁向量的布置来预测材料的磁性。卡内基·梅隆（Carnegie Mellon）化学工程学教授Kitchin说：“这是第一个具有允许旋转为输入参数的自由度的模型。”
工作 稀土元素 更多信息： 期刊信息：