由伦斯勒理工学院物理、应用物理和天文学系助理教授TrevorDavidRhone领导的一组研究人员使用人工智能(AI)的尖端工具确定了新型范德华(vdW)磁体。特别是，该团队确定了具有大磁矩的过渡金属卤化物vdW材料，这些材料预计使用半监督学习具有化学稳定性。

这些二维(2D)vdW磁体在数据存储、自旋电子学甚至量子计算方面具有潜在的应用。

Rhone擅长利用材料信息学来发现具有意想不到的特性的新材料，从而推动科学技术的进步。材料信息学是人工智能和材料科学交叉领域的新兴研究领域。他的团队的最新研究最近登上了AdvancedTheoryandSimulations的封面。

2D材料可以像单个原子一样薄，直到2004年才被发现，并且由于其意想不到的特性而成为科学界好奇的对象。二维磁体非常重要，因为当它们被减薄到一层或几层时，它们的长程磁有序仍然存在。这是由于磁各向异性。

这种磁各向异性和低维的相互作用可能会产生奇异的自旋自由度，例如可用于开发量子计算架构的自旋纹理。二维磁体还涵盖了所有电子特性，可用于高性能和节能设备。

Rhone和团队结合高通量密度泛函理论(DFT)计算来确定vdW材料的特性，并与AI一起实施一种称为半监督学习的机器学习形式。半监督学习使用标记和未标记数据的组合来识别数据中的模式并进行预测。半监督学习缓解了机器学习中的一个主要挑战——标记数据的稀缺性。

“使用AI可以节省时间和金钱，”Rhone说。“典型的材料发现过程需要在超级计算机上进行昂贵的模拟，这可能需要几个月的时间。实验室实验可能需要更长的时间并且可能更昂贵。人工智能方法有可能加快材料发现过程。”

在超级计算机上使用700个DFT计算的初始子集，训练了一个AI模型，该模型可以在笔记本电脑上以毫秒为单位预测数千种候选材料的特性。该团队随后确定了具有大磁矩和低形成能的有前途的候选vdW材料。低形成能是化学稳定性的一个指标，这是在实验室和后续工业应用中合成材料的重要要求。

“我们的框架也可以很容易地应用于探索具有不同晶体结构的材料，”Rhone说。“混合晶体结构原型，例如过渡金属卤化物和过渡金属三硫化物的数据集，也可以使用该框架进行探索。”

“Rhone博士将AI应用于材料科学领域，不断产生令人兴奋的成果，”伦斯勒理学院院长CurtBreneman说。“他不仅加速了我们对具有新颖特性的二维材料的理解，而且他的发现和方法可能会为新的量子计算技术做出贡献。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：材料特性AI