利用机器学习方法寻找Heusler合金中高自旋极化的铁磁材料

发布时间：2023-03-10 20:15

　　自旋电子学器件通过控制自旋来实现数据的存储、读取、运算等功能,是后摩尔时代最具应用潜力的器件方向。为实现自旋注入,这类材料应为高度自旋极化的磁性材料,且为保证在室温下的正常使用和工业上制备可能,应具有高于室温的居里温度。为了在由过渡金属组成的Heusler合金中筛选出可应用于自旋电子学器件材料——具有高自旋极化的稳定的铁磁体,本文设计了一种基于深度神经网络的机器学习结合密度泛函理论计算的材料筛选工作流程。深度神经网络算法具有超强的函数拟合能力,使海量材料数据处理与分析效率显著提高。从开放量子材料数据库中收集了约65000种材料、并利用密度泛函计算对3450种材料的自旋极化率进行计算,这些数据被用作模型训练数据集。通过训练,本文获得了三个深度神经网络模型,并由此预测出10577种候选材料的晶格常数,形成能和自旋极化率信息。根据自旋极化率大于0.87和形成能小于80meV/atom的条件,模型筛选出了192种有可能经实验合成且稳定存在的高自旋极化率材料。据先前研究,这些材料中有57种被报告为半金属,有18种被报告为半导体。特别地,有6种未被报道过的Heusler合金被确定为有前途的半金属铁...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
内容摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景、目的及意义
    1.2 自旋电子学研究发展历程
    1.3 机器学习在材料科学中的应用
    1.4 本论文的主要研究内容
第2章 理论基础
    2.1 第一性原理计算
        2.1.1 密度泛函理论
        2.1.2 海森堡模型和居里温度估算
    2.2 机器学习算法概述
        2.2.1 数据集划分
        2.2.2 算法选择
        2.2.3 模型评估
第3章 数据获取、特征选择及模型训练
    3.1 数据集构成
        3.1.1 Open Quantum Materials Database
        3.1.2 高通量计算数据集
    3.2 描述符的构成
    3.3 本文使用算法及模型训练参数调节
第4章 高自旋极化材料搜索及性质研究
    4.1 材料性质预测
        4.1.1 晶格常数预测
        4.1.2 形成能预测
        4.1.3 自旋极化率预测
    4.2 高自旋极化材料搜索过程及其分布规律
    4.3 结合第一原理的材料性质研究
        4.3.1 居里温度估算—以Co₂NbAl为例
        4.3.2 Fe₂CrGe应力引起的fm\afm转变
第5章 总结
    5.1 本文结论
    5.2 本文创新
参考文献
硕士期间发表的论文
致谢
附录
    1.192种稳定的高自旋极化Heusler合金列表
    2.描述符中各元素的Pauling电负性取值



本文编号：3758494