图1：基于机器学习的二维铁磁材料的高效筛选
近日，物理学院王金兰教授课题组借助人工智能技术，结合密度泛函理论和高通量计算材料数据库，搭建了二维铁磁功能材料的智能化设计平台，从理论上成功预测了近百种稳定的二维铁磁功能材料。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(影响因子：25.81)，标题为Coupling crystal graph multilayer descriptor to active learning for rapid discovery of 2D ferromagnetic semiconductors/half-metals/metals。
二维本征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，传统的铁磁材料研发基于试错法, 效率低且成本高昂，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。与常规计算模拟的方法不同，人工智能中的机器学习技术主要依靠计算机从已有的数据中进行学习，绕过了复杂的量子力学，因此可以极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。
近日，东南大学物理学院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（图1）。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较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。
这项工作突破了机器学习技术在新型二维铁磁功能材料设计领域的瓶颈，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。构建的材料智能化设计平台，将极大地加速其他二维功能材料的研发进程。
论文链接：https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202002658
本文第一作者为物理学院博士生陆帅华，青年教师周跫桦为共同第一作者，王金兰教授为论文唯一通讯作者。该工作受到国家重点研发计划、国家杰出青年基金等项目资助。