机器学习辅助探索内在旋转顺序的二维 (2D) 纳米磁铁
Subhasmita Kar1, Soumya Jyoti Ray1
1Department of Physics, Indian Institute of Technology Patna, Bihta, 801103, India.
机器学习 (ML) 通过预测带隙和磁性 anisotropic 能量 (MAE) 等属性来加速 2D 磁性材料的发现. 这种方法增强了用于先进应用的材料探索.
科学领域:
- 凝聚物质物理学 凝聚物质物理学
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
背景情况:
- 二维 (2D) 纳米磁铁具有独特的自旋排序特性,与传统材料不同.
- 机器学习 (ML) 提供了一种强大的方法,可以加速发现和描述新的2D材料.
- 准确预测材料特性对于确定特定应用的二维磁性材料至关重要.
研究的目的:
- 开发和应用ML加速方法来估计二维磁性材料的关键性质.
- 为了预测2D内在磁性材料的HSE带隙和磁性异能能量 (MAE).
- 为了提高探索广的二维物质空间的效率和可靠性.
主要方法:
- 利用监督的ML算法来导出2D磁性材料属性的预测描述符.
- 员工使用特征选择分数来降低复杂性并提高模型的准确性.
- 使用C2DB数据库中的数据训练和评估各种回归模型 (线性回归,拉索,决策树,随机森林,XGBoost,SVM).
主要成果:
- 随机森林模型实现了0.22 eV的低根平均平方误差 (RMSE),用于预测HSE频段间隙.
- 线性回归模型提供了非常适合磁性anisotropic 能量 (MAE ((x) 和MAE ((y)) 的模型,其中RMSE 分别为0.25 meV和0.22 meV.
- 证明了ML在准确预测关键材料属性的有效性.
结论:
- 将可解释的ML模型与密度函数理论 (DFT) 集成,提供了一种快速可靠的方法来发现二维磁性材料.
- 这种协作方法显著加速了材料属性分析,并扩大了可搜索的材料空间.
- 基于机器学习的材料发现对于推进2D磁性和相关技术的研究至关重要.
更多相关视频
09:06Visualizing Uniaxial-strain Manipulation of Antiferromagnetic Domains in Fe1+YTe Using a Spin-polarized Scanning Tunneling Microscope
Published on: March 24, 2019
07:24Paramagnetic Relaxation Enhancement for Detecting and Characterizing Self-Associations of Intrinsically Disordered Proteins
Published on: September 23, 2021
相关概念视频
Atomic Nuclei: Nuclear Spin State Overview
Atomic Nuclei: Magnetic Resonance
Two-Dimensional (2D) NMR: Overview
The first step is the preparation period, during which nucleus A is excited with a radiofrequency pulse....
Atomic Nuclei: Nuclear Relaxation Processes
Atomic Nuclei: Nuclear Spin
Atomic nuclei have a net nuclear spin, , which can have an integer or half-integer value. In atomic nuclei, the spins of protons are paired against each other but not with neutrons, and vice versa. Consequently, an even number of protons does not...
Atomic Nuclei: Nuclear Magnetic Moment
