基于机器学习算法的二维材料设计

近日，物理学院王金兰教授课题组通过将机器学习技术和物理化学知识紧密结合，基于第一性原理高通量计算数据库，搭建了设计二维铁磁功能材料的智能化平台，不仅从理论上成功预测了近百种稳定的二维铁磁功能材料，而且提出了一种针对复杂材料性质的通用描述符。该研究成果在线发表在材料领域国际顶级期刊Advanced Materials《先进材料》上，标题为Coupling crystal graph multilayer descriptor to active learning for rapid discovery of 2D ferromagnetic semiconductors/half-metals/metals。

二维铁磁材料由于其独特的原子层厚度和可控的电子-自旋自由度，已成为下一代自旋电子器件的理想材料。然而受制于材料本身的复杂性，具有二维本征磁性的材料十分有限,而他们较低的居里温度也严重抑制了人们对于二维磁性的研究和进一步的应用探索。因此，研发性能优异的新型二维铁磁材料迫在眉睫。然而，传统的材料研发基于试错法, 效率低且成本高，尤其是面对成千上万种候选材料时，这种方法更是捉襟见肘。最近，机器学习算法在材料性能预测、新材料的发现与设计等方面取得了很大进展。与常规计算模拟的方法不同，机器学习算法主要依靠计算机从已有的数据中学习特征并用来预测新的特性，因此可以大大加速材料研发过程。然而受制于二维磁性材料数据的匮乏以及高性能材料描述符的缺失，机器学习技术在二维铁磁材料设计领域的应用依然是一个巨大的挑战。

王金兰教授课题组基于机器学习技术和第一性原理高通量计算，构建了预测二维铁磁材料的智能化平台，并提出了适用于二维材料复杂性质的材料描述符，来预测稳定的新型二维铁磁材料。这一策略成功地从近4000种二维材料中，快速筛选出了近百种未研究过的二维本征铁磁半导体、半金属和金属。通过第一性原理计算和蒙特卡洛模拟，进一步发现了数十种具有高居里温度的铁磁材料。值得一提的是，通过设计了一种基于晶体图论和元素基本性质的通用材料描述符，机器学习模型在热力学稳定性、磁性和能带方面的预测准确率均超过了90%。此外，一个包含了近1500种二维磁性材料的材料数据库被建立起来，为二维磁性的理论和实验研究提供了丰富的候选材料。

    这项工作拓展了机器学习技术在新型二维功能材料设计领域的应用，为解决二维磁性材料，特别是铁磁半导体和半金属的短缺问题提供了一个极具潜力的策略。并构建了智能化的二维功能材料设计平台，极大地加速了二维功能材料的设计进程。

   本文第一作者为物理学院博士生陆帅华，物理学院教师周跫桦老师为共同第一作者，王金兰教授为论文唯一通讯作者。