Mod autonom forudsigelse og syntese af nye magnetiske materialer

I materialevidenskab udforskes kandidater til nye funktionelle materialer normalt på en trial-and-error måde gennem beregninger, syntetiske metoder og materialeanalyse. Tilgangen er dog tidskrævende og kræver ekspertise. Nu har forskere fra Japan brugt en datadrevet tilgang til at automatisere processen med at forudsige nye magnetiske materialer. Ved at kombinere første-principper-beregninger, Bayesiansk optimering og monoatomisk alternerende aflejring, kan den foreslåede metode muliggøre en hurtigere udvikling af næste generations elektroniske enheder.

Materialeforskere er konstant på udkig efter nye "funktionelle materialer" med gunstige egenskaber rettet mod en eller anden anvendelse. For eksempel kan det at finde nye funktionelle magnetiske materialer åbne døre til energieffektive spintroniske enheder. I de senere år har udviklingen af ​​spintronics-enheder som magnetoresistiv random access memory - en elektronisk enhed, hvori et enkelt magnetoresistivt element er integreret som én bit information - gået hurtigt fremad, hvortil magnetiske materialer med høj magnetokrystallinsk anisotropi (MCA) er påkrævet .

Ferromagnetiske materialer, som bevarer deres magnetisering uden et eksternt magnetfelt, er derfor af særlig interesse som datalagringssystemer. For eksempel L 1₀ -type ordnede legeringer bestående af to elementer og to perioder, såsom L 1₀ -FeCo og L 1₀ -FeNi, er blevet undersøgt aktivt som lovende kandidater til næste generations funktionelle magnetiske materialer. Kombinationen af ​​bestanddele er dog ekstremt begrænset, og materialer med udvidet elementtype, antal og periodicitet er sjældent blevet udforsket.

Hvad hindrer denne udforskning? Forskere peger på kombinatoriske eksplosioner, der let kan forekomme i flerlagsfilm, og som kræver meget tid og kræfter i udvælgelsen af ​​de bestanddele og materialefremstilling, som den væsentligste årsag. Desuden er det ekstremt vanskeligt at forudsige funktionen af ​​MCA på grund af det komplekse samspil mellem forskellige parametre, herunder krystalstruktur, magnetisk moment og elektronisk tilstand, og den konventionelle protokol er i høj grad afhængig af forsøg og fejl. Der er således meget plads og behov for at udvikle en effektiv vej til at opdage nye højtydende magnetiske materialer.

På denne front, et team af forskere fra Japan, herunder prof. Masato Kotsugi, Mr. Daigo Furuya og Mr. Takuya Miyashita fra Tokyo University of Science (TUS), sammen med Dr. Yoshio Miura fra National Institute for Materials Science (NIMS) ), har nu vendt sig til en datadrevet tilgang til automatisering af forudsigelse og syntese af nye magnetiske materialer.

I en ny undersøgelse, som blev gjort tilgængelig online den 30. juni 2022 og offentliggjort i Science and Technology of Advanced Materials:Methods den 1. juli 2022 rapporterede holdet om deres succes i udviklingen af ​​materialeudforskningssystem ved at integrere beregnings-, informations- og eksperimentelle videnskaber for magnetiske materialer med høj MCA. Prof. Kotsugi forklarer, at de "har fokuseret på kunstig intelligens og har kombineret det med beregnings- og eksperimentel videnskab for at udvikle en effektiv materialesyntesemetode. Lovende materialer ud over menneskelig forventning er blevet opdaget i form af elektronisk struktur. Således vil det ændre naturens natur. af materialeteknik!"

I deres undersøgelse, som var resultatet af fælles forskning fra TUS og NIMS og støttet af JST-CREST, beregnede holdet MCA-energi gennem beregninger med første principper (en metode, der bruges til at beregne elektroniske tilstande og fysiske egenskaber i materialer baseret på lovene i kvantemekanik) og udførte Bayesiansk optimering for at søge efter materialer med høj MCA-energi. Efter at have undersøgt algoritmen for Bayesiansk optimering fandt de lovende materialer fem gange mere effektivt end gennem den konventionelle trial-and-error-tilgang. Denne robuste materialesøgningsmetode var mindre modtagelig for påvirkninger fra uregelmæssige faktorer som afvigelser og støj og gjorde det muligt for holdet at vælge de tre bedste kandidatmaterialer - (Fe/Cu/Fe/Cu), (Fe/Cu/Co/Cu) og (Fe/Co/Fe/Ni) - omfattende jern (Fe), kobolt (Co), nikkel (Ni) og kobber (Cu).

De tre bedste forudsagte materialer med de største MCA-energiværdier blev derefter fremstillet via den monoatomiske alternerende stablingsmetode ved hjælp af den laserdrevne pulserede aflejringsteknik for at skabe flerlagede magnetiske materialer bestående af 52 lag, nemlig [Fe/Cu/Fe/Cu]₁₃ , [Fe/Cu/Co/Cu]₁₃ og [Fe/Co/Fe/Ni]₁₃ . Blandt de tre strukturer, [Fe/Co/Fe/Ni]₁₃ viste en MCA-værdi (3,74 × 10 ⁶ erg/cc) langt over L 1₀ -FeNi (1,30 × 10 ⁶ erg/cc).

Ydermere fandt holdet ved hjælp af andenordens forstyrrelsesmetode, at MCA genereres i elektronisk tilstand, hvilket ikke er blevet realiseret i tidligere rapporterede materialer. Dette vidner om egnetheden af ​​at anvende Bayesiansk optimering til at identificere elektroniske tilstande, som sandsynligvis er umulige at forestille sig gennem menneskelig erfaring og intuition alene. Den udviklede metode kan således selvstændigt søge efter egnede elementer til at designe funktionelle magnetiske materialer. "Denne teknik kan udvides til avancerede magnetiske materialer med mere komplicerede elektroniske korrelationer, såsom Heusler-legeringer og spin-termoelektriske materialer," bemærker Prof. Kotsugi. + Udforsk yderligere

Forskerhold udvikler ny strategi for design af termoelektriske materialer