王金蘭團隊從理論上成功預測近百種穩定的二維鐵磁功能材料

（通訊員 蔣紅燕）近日，物理學院王金蘭教授課題組藉助人工智慧技術，結合密度泛函理論和高通量計算材料資料庫，搭建了二維鐵磁功能材料的智能化設計平臺，從理論上成功預測了近百種穩定的二維鐵磁功能材料。該研究成果在線發表在材料領域國際頂級期刊Advanced Materials《先進材料》上(影響因子：25.81)，標題為Coupling crystal graph multilayer descriptor to active learning for rapid discovery of 2D ferromagnetic semiconductors/half-metals/metals。

二維本徵鐵磁材料由於其獨特的原子層厚度和可控的電子-自旋自由度，已成為下一代自旋電子器件的理想材料。然而，傳統的鐵磁材料研發基於試錯法, 效率低且成本高昂，尤其是面對成千上萬種候選材料時，這種方法更是捉襟見肘。與常規計算模擬的方法不同，人工智慧中的機器學習技術主要依靠計算機從已有的數據中進行學習，繞過了複雜的量子力學，因此可以極大加速材料研發過程。然而受制於二維磁性材料數據的匱乏以及高性能材料描述符的缺失，機器學習技術在二維鐵磁材料設計領域的應用依然是一個巨大的挑戰。

近日，東南大學物理學院王金蘭教授課題組基於機器學習技術和第一性原理高通量計算，構建了預測二維鐵磁材料的智能化平臺，並提出了適用於二維材料複雜性質的材料描述符（圖1）。

這一策略成功地從近4000種二維材料中，快速篩選出了近百種未研究過的二維本徵鐵磁半導體、半金屬和金屬。通過第一性原理計算和蒙特卡洛模擬，進一步發現了數十種具有較高居裡溫度的鐵磁材料。值得一提的是，通過設計了一種基於晶體圖論和元素基本性質的通用材料描述符，機器學習模型在熱力學穩定性、磁性和能帶方面的預測準確率均超過了90%。此外，一個包含了近1500種二維磁性材料的材料資料庫被建立起來，為二維磁性的理論和實驗研究提供了豐富的候選材料。

這項工作突破了機器學習技術在新型二維鐵磁功能材料設計領域的瓶頸，為解決二維磁性材料，特別是鐵磁半導體和半金屬的短缺問題提供了一個極具潛力的策略。構建的材料智能化設計平臺，將極大地加速其他二維功能材料的研發進程。本文第一作者為物理學院博士生陸帥華，青年教師周跫樺為共同第一作者，王金蘭教授為論文唯一通訊作者。該工作受到國家重點研發計劃、國家傑出青年基金等項目資助。

論文連結：https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202002658