Screening accurato di materiali funzionali con potenziali di machine learning e regressioni con transfer learning: benchmark sugli alloidi di Heusler

Perché è importante accelerare la scoperta di materiali

Le tecnologie moderne, dalle auto elettriche ai centri dati, dipendono da materiali specializzati la cui struttura interna è ottimizzata per compiti molto specifici. Una classe importante, nota come alloidi di Heusler, può funzionare come magneti potenti e leggeri per sensori, dispositivi di memoria e spintronica. Ma trovare le rarissime composizioni con la giusta combinazione di stabilità e comportamento magnetico è stato finora estremamente lento, perché ogni candidato richiede normalmente costosi calcoli quantomeccanici. Questo articolo mostra come modelli avanzati di machine learning possano svolgere gran parte di quel lavoro, vagliando centinaia di migliaia di possibilità e mettendo in evidenza i pochi materiali più promettenti molto più rapidamente di prima.

Esplorare un vasto panorama di leghe

Gli autori si concentrano su una famiglia ampia e strutturalmente ricca di materiali chiamata composti di Heusler, ottenuta combinando elementi metallici e del gruppo principale in un reticolo cristallino regolare. Ricerche precedenti basate su calcoli quantistici avevano già esaminato versioni più semplici a tre elementi e avevano scoperto che solo circa mezzo per cento soddisfaceva requisiti rigorosi sia di stabilità sia di forte direzionalità magnetica. In questo studio il gruppo amplia notevolmente la ricerca a miscele più complesse a quattro elementi e a versioni costituite interamente da metalli di transizione, generando oltre 230.000 ricette chimiche distinte da esaminare. Esplorare uno spazio di progettazione così enorme con metodi convenzionali sarebbe computazionalmente insostenibile.

Il machine learning come sostituto dei calcoli pesanti

Per domare questa complessità, i ricercatori costruiscono un flusso di lavoro “ad alto rendimento” in cui modelli di machine learning imitano i passaggi che i calcoli quantistici eseguirebbero di solito. Un tipo di modello, chiamato potenziale interatomico universale, impara l’energia di un cristallo da molti esempi noti e può rapidamente rilassare una configurazione iniziale nella sua forma più stabile. Un altro insieme di modelli, detti regressori, prende quindi queste strutture rilassate e predice proprietà chiave: se gli atomi vibrano stabilmente, se il materiale è magnetico, a quali temperature perde il magnetismo e quanto fortemente la sua magnetizzazione preferisce una direzione particolare. Collegando questi modelli, gli autori possono valutare ogni materiale candidato in una frazione di secondo invece che in ore.

Riutilizzare conoscenza tramite transfer learning

Un’innovazione centrale riguarda il modo in cui sono addestrati i modelli di predizione delle proprietà. Piuttosto che partire da zero su un set di dati relativamente piccolo di Heusler, gli autori iniziano con un potente potenziale precedentemente addestrato su decine di milioni di ambienti atomici coprendo gran parte della tavola periodica. Congelano gli strati iniziali di questo modello, che già codificano regole generali su come interagiscono gli atomi, e riaddestrano soltanto gli strati finali per produrre le proprietà magnetiche e vibrazionali. Questa strategia di transfer learning migliora sia l’accuratezza sia la capacità dei modelli di gestire leghe contenenti elementi o combinazioni mai incontrate durante l’addestramento. Test in cui interi gruppi di elementi sono stati esclusi dall’addestramento mostrano che questa conoscenza trasferita aumenta sostanzialmente le prestazioni su chimiche poco familiari.

Trovare gemme magnetiche rare e verificarle con cura

Eseguendo l’intera pipeline di machine learning su tutti i candidati, il team identifica 334 alloidi di Heusler a quattro elementi e 924 Heusler interamente metallici che risultano termodinamicamente stabili e presentano forte anisotropia magnetica insieme a ordine magnetico robusto e stabilità vibrazionale. Per verificare l’affidabilità della scorciatoia, eseguono poi calcoli quantomeccanici completi su ciascun candidato selezionato. Per la maggior parte dei criteri di screening, tra circa l’80 e il 99 percento dei materiali scelti dal modello supera i test più stringenti, dimostrando che i modelli sono non solo veloci ma anche molto precisi. Lo studio confronta inoltre diversi potenziali di machine learning concorrenti e modelli più vecchi basati su grafi, rilevando che il nuovo potenziale liscio ed espressivo combinato con regressori basati su transfer learning offre di gran lunga il miglior compromesso tra velocità e affidabilità.

Accelerare la scoperta ben oltre i magneti

Oltre alla lista specifica di nuovi magneti Heusler qui scoperti, il messaggio più ampio del lavoro è che i modelli di machine learning possono ora sostituire calcoli quantistici costosi nella maggior parte di una pipeline di screening standard. Gli autori stimano che un’indagine puramente quantistica dello stesso spazio chimico richiederebbe ordini di grandezza in più di tempo di calcolo rispetto al loro approccio ibrido, prima ancora di qualsiasi lavoro sperimentale. Trattando i modelli di machine learning come sostituti plug‑in per il rilassamento della struttura e la valutazione delle proprietà, e perfezionandoli man mano che arrivano nuovi dati di alta qualità, i ricercatori possono esplorare spazi di progettazione molto più ampi per magneti, termoelettrici, batterie e altri materiali funzionali. In termini pratici, questo significa che i rari materiali di eccellenza necessari per le tecnologie future possono essere trovati prima e a costi computazionali molto inferiori.

Citazione: Xiao, E., Tadano, T. Accurate screening of functional materials with machine-learning potential and transfer-learned regressions: Heusler alloy benchmark. npj Comput Mater 12, 133 (2026). https://doi.org/10.1038/s41524-026-02013-0

Parole chiave: potenziali interatomici di machine learning, alloidi di Heusler, screening ad alto rendimento, anisotropia magnetica, scoperta di materiali