您所在的位置: 首頁(yè)?>?新聞動(dòng)態(tài)?>?行業(yè)新聞
Compositionaloptimization of hard-magnetic phases with machine-learning models
Johannes J.Moller, Wolfgang Korner, Georg Krugel, et.al
Acta Materialia. 2018,5
摘要
機器學(xué)習(ML)在新材料的發(fā)現和設計中起著(zhù)越來(lái)越重要的作用。在本文中,我們使用硬磁相為例,證明了ML在材料研究中的潛力。我們建立了基于核的ML模型來(lái)預測一種新的、應用于許多綠色能源技術(shù)的關(guān)鍵部分的永磁材料的最佳化學(xué)成分。用于訓練和測試ML模型的磁性能數據是通過(guò)對密度泛函理論計算結果的組合高通量篩選獲得的。我們直接選擇描述不同構型,有助于隨后使用ML模型進(jìn)行成分優(yōu)化,從而預測如Nd2Fe14B的先進(jìn)磁性材料的潛在替代品,要求其具有類(lèi)似的本征硬磁性質(zhì),但稀土元素的臨界值更低。
結論
在本文中成功地在一個(gè)常見(jiàn)的材料科學(xué)問(wèn)題中引入機器學(xué)習(ML)方法,即尋找優(yōu)化某一物理性質(zhì)的材料成分。該研究結果論證了機器學(xué)習方法在材料發(fā)現和設計方向的潛力。通過(guò)對模型超參數和材料描述符的合理選擇,使得對準確預測整個(gè)化合物空間的材料性能以及優(yōu)化已知性能成為可能。機器學(xué)習的應用僅受到訓練數據的可獲得性和準確度的限制。
文章部分附圖
圖1 用Wyckoff位置表示的ReA12X的晶體結構。為了更好的可視化,繪制了對稱(chēng)等價(jià)原子之間的化學(xué)鍵。
圖2:選擇的ReA12X化合物的描述符,注意,RST前七個(gè)構造包含在訓練集中(ReFe12 -4ZA4zX,z=0….4),而最后四個(gè)成分屬于測試集。
圖3 表征含Nd化合物的μ0M、K1和Ef的SVR模型的十重交叉驗證結果。彩色圓圈表示對十個(gè)驗證運行中的每一個(gè)的預測。
圖4:含Nd化合物的μ0M(左)、K1(中)和Ef(右)的SVR模型(上部)和LR模型(下部)的測試。彩色圓圈表示832個(gè)未被觀(guān)察的組合物作為測試樣品的相應預測。灰色方塊是對整個(gè)數據集(訓練和驗證數據)進(jìn)行訓練的模型的預測。
圖5 采用核函數對未知成分NdFe12-z/2Coz/2N(Z= n8i8(Co)=0…8)的K1預測與TB-LMTO—ASA結果的對比。該模型使用線(xiàn)性、多項式(D=2)和“RBF”核進(jìn)行訓練。訓練過(guò)程中只使用了n8i8(Co)=0和8的值。
標簽:
江蘇省無(wú)錫市錫山區華夏中路3號文華國際
Copyright ? 2017-2021 江蘇隱石實(shí)驗科技有限公司 All Rights Reserved 備案號:蘇ICP備2021030923號-2 技術(shù)支持:無(wú)錫網(wǎng)站建設公司迅誠科技