Nauwkeurige screening van functionele materialen met machine-learning potentialen en transfer-geleerde regressies: Heusler-alloy benchmark

Waarom snellere materiaalsontdekking ertoe doet

Moderne technologieën, van elektrische auto’s tot datacenters, zijn afhankelijk van gespecialiseerde materialen waarvan de interne structuur is afgestemd op een heel specifieke taak. Een belangrijke klasse, bekend als Heusler‑alloys, kan fungeren als krachtige, lichtgewicht magneten voor gebruik in sensoren, geheugens en spintronica. Maar het vinden van de zeldzame samenstellingen met de juiste combinatie van stabiliteit en magnetisch gedrag is pijnlijk traag geweest, omdat elke kandidaat gewoonlijk zware kwantummechanische berekeningen vereist. Dit artikel laat zien hoe geavanceerde machine‑learningmodellen het grootste deel van dat werk kunnen overnemen, honderden duizenden mogelijkheden kunnen doorzoeken en de weinige meest veelbelovende materialen veel sneller dan voorheen kunnen aanwijzen.

Zoeken in een uitgestrekt speelveld van legeringen

De auteurs richten zich op een grote en structureel rijke familie van materialen die Heusler‑verbindingen worden genoemd, gemaakt door metaalachtige en hoofdgroep‑elementen te combineren in een regelmatig kristalpatroon. Eerdere computer‑gestuurde zoektochten met kwantumberekeningen hadden al eenvoudigere, drie‑elementversies onderzocht en vastgesteld dat slechts ongeveer een half procent voldeed aan strikte eisen voor zowel stabiliteit als sterke magnetische richtinggevoeligheid. In deze studie verbreedt het team de zoektocht sterk naar complexere vier‑elementmengsels en naar varianten die volledig uit overgangsmetalen bestaan, waardoor meer dan 230.000 verschillende chemische recepten ontstaan om te onderzoeken. Het verkennen van zo’n enorm ontwerpruimte met alleen conventionele methoden zou computationeel overweldigend zijn.

Machine learning als vervanger van zware berekeningen

Om deze complexiteit te temmen bouwen de onderzoekers een “high‑throughput” workflow waarin machine‑learningmodellen de stappen nabootsen die kwantumberekeningen normaal zouden uitvoeren. Één modeltype, een zogenaamd universeel interatomaire potentieel, leert de energie van een kristal uit vele bekende voorbeelden en kan snel een initiële schatting naar de meest stabiele vorm laten relaxeren. Een andere reeks modellen, regressors genoemd, neemt vervolgens deze gerelaxeerde structuren en voorspelt sleutel‑eigenschappen: of atomen stabiel trillen, of het materiaal magnetisch is, hoe heet het kan worden voordat het zijn magnetisme verliest, en hoe sterk de magnetisatie de voorkeur geeft aan een bepaalde richting. Door deze modellen aaneen te schakelen kan het team elke kandidaat in een fractie van een seconde screenen in plaats van in uren.

Kennis lenen via transfer learning

Een centrale innovatie is de manier waarop de eigenschap‑voorspellende modellen worden getraind. In plaats van vanaf nul te beginnen op een relatief kleine Heusler‑dataset, starten de auteurs met een krachtig potentieel dat eerder is getraind op tientallen miljoenen atomaire omgevingen die een groot deel van het periodiek systeem beslaan. Ze “bevriezen” de vroege lagen van dit model, die al algemene regels over atomaire interacties coderen, en trainen alleen de laatste lagen opnieuw om magnetische en vibrationale eigenschappen uit te voeren. Deze transfer‑learningstrategie verbetert zowel de nauwkeurigheid als het vermogen van de modellen om legeringen te verwerken die elementen of combinaties bevatten die ze tijdens training nooit hebben gezien. Tests waarbij volledige groepen elementen werden weggelaten tijdens training tonen aan dat deze geleende kennis de prestaties op onbekende chemie aanzienlijk verhoogt.

Zeldzame magnetische juweeltjes vinden en zorgvuldig controleren

Door de volledige machine‑learningpijplijn op alle kandidaten los te laten identificeert het team 334 vier‑element Heusler‑legeringen en 924 volledig metalen Heuslers die thermodynamisch stabiel lijken en sterke magnetische anisotropie vertonen samen met robuorde magnetische orde en vibrationale stabiliteit. Om te verifiëren dat de snelweg betrouwbaar is, voeren ze vervolgens volledige kwantummechanische berekeningen uit op elke geselecteerde kandidaat. Voor de meeste screeningcriteria slaagt tussen ongeveer 80 en 99 procent van de door machine gekozen materialen voor de strengere tests, wat aantoont dat de modellen niet alleen snel maar ook zeer precies zijn. De studie vergelijkt ook verschillende concurrerende machine‑learningpotentialen en oudere op grafen gebaseerde modellen, en vindt dat het nieuwste soepele, expressieve potentieel gecombineerd met transfer‑geleerde regressors verreweg de beste balans tussen snelheid en betrouwbaarheid biedt.

Ontdekking versnellen ver voorbij magneten

Afgezien van de specifieke lijst van nieuwe Heusler‑magneten die hier zijn ontdekt, is de bredere boodschap van het werk dat machine‑learningmodellen nu kunnen optreden als vervanging voor kostbare kwantumberekeningen in veel onderdelen van een standaard screening‑pijplijn. De auteurs schatten dat een puur kwantumgebaseerde verkenning van hetzelfde chemische domein orders van grootte meer rekentijd zou vergen dan hun hybride aanpak, zelfs voordat enig experiment werk begint. Door de machine‑learningmodellen te behandelen als plug‑in vervangers voor structuurrèlaxatie en eigenschapsbeoordeling, en ze te verfijnen naarmate nieuwe hoogwaardige data beschikbaar komen, kunnen onderzoekers veel grotere ontwerpruimtes verkennen voor magneten, thermoelectrica, batterijen en andere functionele materialen. In praktische termen betekent dit dat de zeldzame, beste materialen die nodig zijn voor toekomstige technologieën eerder en tegen veel lagere computationele kosten gevonden kunnen worden.

Bronvermelding: 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

Trefwoorden: machine learning interatomaire potentialen, Heusler-alloys, high-throughput screening, magnetische anisotropie, materiaalsontdekking