利用机器学习势和迁移学习回归对功能材料进行准确筛选：赫斯勒合金基准研究

为什么更快的材料发现至关重要

从电动汽车到数据中心，现代技术依赖于为特定用途精细调控内部结构的专用材料。赫斯勒合金是其中一种重要类别，可作为用于传感器、存储器件和自旋电子学的强力而轻质的磁体。但要找到同时具备稳定性和合适磁学行为的稀有成分一直进展缓慢，因为每一个候选都通常需要繁重的量子力学计算。本文展示了先进的机器学习模型如何接手大部分工作，在数十万种可能性中筛选并远比以往更快地挑出为数不多的最有前景材料。

在广阔的合金空间中搜索

作者将注意力集中在一类结构丰富的大型材料家族——赫斯勒化合物上，它们由金属元素和主族元素按规则晶格组合而成。早先基于量子计算的计算机驱动搜索已经梳理过更简单的三元版本，并发现仅约万分之五（约 0.5%）同时满足稳定性和强磁性定向性的严格要求。本研究大幅拓宽了搜索范围，涵盖更复杂的四元混合物以及完全由过渡金属构成的版本，生成了超过 23 万种不同的化学配方需要检查。仅用传统方法探索如此巨大的设计空间在计算上几乎无法承受。

用机器学习替代繁重计算

为驯服这种复杂性，研究者构建了一个“高通量”工作流程，其中机器学习模型模拟量子计算通常执行的步骤。一类称为通用原子间势的模型从许多已知例子中学习晶体的能量，并能快速将初始猜测弛豫到最稳定的构型。另一组称为回归器的模型则在这些弛豫后的结构上预测关键性质：原子振动是否稳定、材料是否具磁性、在失去磁性前可承受的温度、以及磁化强烈偏向某一方向的程度。将这些模型串联起来后，作者能够在不到一秒的时间内筛选每个候选材料，而传统计算则可能需要数小时。

通过迁移学习借用已有知识

一个核心创新在于性质预测模型的训练方式。作者没有在相对较小的赫斯勒数据集上从零开始，而是以一个先前在遍及元素周期表的大量原子环境（数千万个）上训练得到的强大势为起点。他们“冻结”该模型的早期层，这些层已经编码了关于原子相互作用的一般规律，仅重新训练最后几层以输出磁性和振动性质。这一迁移学习策略既提高了准确性，又帮助模型处理训练时未见过的元素或组合。通过在训练中有意剔除整组元素的测试表明，这种借用的知识显著提升了对陌生化学体系的表现。

发现稀有磁性宝石并进行严谨核验

对所有候选运行完整的机器学习流水线后，团队识别出 334 种四元赫斯勒合金和 924 种全金属赫斯勒，这些材料在热力学上看起来稳定，并且同时具有强磁各向异性、稳固的磁序和振动稳定性。为了验证这种捷径是否可信，他们随后对每一个被选出的候选都进行了完整的量子力学计算。在大多数筛选标准下，大约 80% 到 99% 的机器挑选材料通过了更严格的测试，表明这些模型不仅快速而且高度精确。研究还比较了几种竞争性机器学习势及较早的基于图的模型，发现最新的平滑且表达力强的势与迁移学习回归器结合时，在速度与可靠性之间提供了迄今为止最好的平衡。

在磁体之外大幅加速发现进程

除了在此揭示的具体赫斯勒磁体清单之外，这项工作的更广泛信息是：机器学习模型现在可以在标准筛选流程的大部分环节中替代昂贵的量子计算。作者估算，若以纯量子方法对相同化学空间进行调查，所需的计算时间将比他们的混合方法多出数个数量级，且这还不包括任何实验工作。通过将机器学习模型作为结构弛豫和性质评估的即插即用替代，并随着新的高质量数据到来不断改进它们，研究人员可以为磁体、热电材料、电池及其他功能材料探索更广阔的设计空间。实际上，这意味着为未来技术所需的那些稀有、最优材料可以更早被发现，且计算成本大大降低。

引用: 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

关键词: 机器学习原子间势, 赫斯勒合金, 高通量筛选, 磁各向异性, 材料发现