(纯计算)德克萨斯大学奥斯汀分校Phys. Rev. Mater.: 机器学习加速铁钴磷化物的发现

文章预览

2024年10月11日，Phys. Rev. Mater.在线发表了德克萨斯大学奥斯汀分校 Timothy Liao 课题组的研究论文，题目为《 Machine learning-accelerated discovery of iron cobalt phosphides as rare-earth-free magnets 》。 几十年来，科学家们一直致力于发现非稀土永磁体。稀土元素的缺失将缓解人们对永磁体中稀土元素可用性的迫切担忧。这些磁铁对于风力涡轮机、电动汽车和存储设备等应用至关重要。稀土磁体因其较大的磁各向 异性能（K 1 ）而具有特 殊性。相比之下， 铁钴磷化物 具有前景，因为在立方FeCo中掺杂P可以诱导各向异性，从而在不引入稀土元素的情况下产生较大的矫顽力。 在此研究中，作者对Fe-Co-P三元空间中的磁体进行了全面的搜索，利用最近开发的自适应机器学习（ML）反馈有效地筛选了85万多个结构。研究专注于将机器学习加速作为材料设计的范式。进一步的自适 ………………………………