Noggrann screening av funktionella material med maskininlärningspotential och transferinlärda regressorer: Heusler‑legeringsbenchmark

Varför snabbare materialupptäckt spelar roll

Moderna teknologier, från elbilar till datacenter, är beroende av specialiserade material vars inre struktur är skräddarsydd för en mycket specifik funktion. En viktig klass, känd som Heusler‑legeringar, kan fungera som kraftfulla, lätta magneter för användning i sensorer, minnesenheter och spinntronik. Men att hitta de sällsynta sammansättningar som kombinerar stabilitet och önskad magnetisk beteende har varit smärtsamt långsamt, eftersom varje kandidat normalt kräver tunga kvantmekaniska beräkningar. Denna artikel visar hur avancerade maskininlärningsmodeller kan ta över större delen av det arbetet, sålla bland hundratusentals möjligheter och lyfta fram de få mest lovande materialen mycket snabbare än tidigare.

Söka i ett vidsträckt landskap av legeringar

Författarna fokuserar på en stor och strukturellt rik materialfamilj kallad Heusler‑föreningar, som bildas genom att kombinera metalliska och huvudgrupps‑element i ett regelbundet kristallmönster. Tidigare datorstyrda sökningar med kvantberäkningar hade redan genomsökt enklare, tre‑elementversioner och funnit att endast cirka en halv procent uppfyllde strikta krav både på stabilitet och stark magnetisk riktbarhet. I denna studie utvidgar teamet sökningen avsevärt till mer komplexa fyr‑elementblandningar och till varianter byggda helt av övergångsmetaller, vilket skapar mer än 230 000 distinkta kemiska recept att undersöka. Att utforska ett sådant enormt designutrymme med konventionella metoder ensam skulle vara beräkningsmässigt överväldigande.

Maskininlärning som ersättning för tunga beräkningar

För att tygla denna komplexitet bygger forskarna ett "high‑throughput"‑arbetsflöde där maskininlärningsmodeller efterliknar stegen som kvantberäkningar vanligtvis utför. En modelltyp, kallad en universell interatomär potential, lär sig energi hos en kristall från många kända exempel och kan snabbt relaxera en initial gissning till dess mest stabila form. En annan uppsättning modeller, kallade regressorer, tar sedan dessa relaxerade strukturer och förutspår nyckel egenskaper: om atomerna vibrerar stabilt, om materialet är magnetiskt, hur varmt det kan bli innan det förlorar magnetismen, och hur starkt dess magnetisering föredrar att peka i en viss riktning. Genom att kedja ihop dessa modeller kan författarna screena varje kandidat på en bråkdel av en sekund istället för timmar.

Låna kunskap genom transferinlärning

En central innovation är hur egenskapsförutsägelsemodellerna tränas. Istället för att börja från ett tomt blad på en relativt liten Heusler‑datasats börjar författarna med en kraftfull potential som tidigare tränats på tiotals miljoner atomära miljöer som täcker stora delar av det periodiska systemet. De "fryser" de tidiga lagren i denna modell, som redan kodar allmänna regler för hur atomer interagerar, och tränar endast om de sista lagren för att ge ut magnetiska och vibrerande egenskaper. Denna transferinlärningsstrategi förbättrar både noggrannhet och hjälper modellerna att hantera legeringar som innehåller element eller kombinationer de aldrig såg under träningen. Tester där hela elementgrupper undanhölls under träningen visar att den här lånade kunskapen avsevärt förbättrar prestandan på okänd kemi.

Hitta sällsynta magnetiska pärlor och kontrollera dem noggrant

Genom att köra hela maskininlärningspipen på alla kandidater identifierar teamet 334 fyr‑element Heusler‑legeringar och 924 helmetall‑Heuslers som verkar termodynamiskt stabila och uppvisa stark magnetisk anisotropi tillsammans med robust magnetisk ordning och vibrationell stabilitet. För att verifiera att genvägen är pålitlig utför de sedan fullständiga kvantmekaniska beräkningar på varje utvald kandidat. För de flesta screeningskriterier klarar mellan cirka 80 och 99 procent av de maskinvalda materialen de mer krävande testerna, vilket visar att modellerna inte bara är snabba utan också mycket precisa. Studien jämför också flera rivaliserande maskininlärningspotentialer och äldre grafbaserade modeller, och konstaterar att den nyaste släta, uttrycksfulla potentialen kombinerad med transferinlärda regressorer ger med råge den bästa kombinationen av hastighet och tillförlitlighet.

Snabbar upp upptäckt långt bortom magneter

Bortom den specifika listan av nya Heusler‑magneter som upptäckts här är arbetets bredare budskap att maskininlärningsmodeller nu kan ersätta kostsamma kvantberäkningar i stora delar av en standardiserad screeningspipeline. Författarna uppskattar att en renodlad kvantbaserad undersökning av samma kemiska rum skulle kräva flera ordningar mer beräknings tid än deras hybrida angreppssätt, även innan något experimentellt arbete påbörjats. Genom att behandla maskininlärningsmodellerna som plug‑in‑ersättningar för strukturrelaxation och egenskapsutvärdering, och förfina dem när ny högkvalitativ data tillkommer, kan forskare utforska mycket större designutrymmen för magneter, termoelektrika, batterier och andra funktionella material. I praktiska termer betyder detta att de sällsynta, bästa materialen som behövs för framtida teknologier kan hittas snabbare och till avsevärt lägre beräkningskostnad.

Citering: 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

Nyckelord: maskininlärningsinteratomära potentialer, Heusler‑legeringar, höggenomströmning‑screening, magnetisk anisotropi, materialupptäckt