首页
登录
注册
-
自2004年以来, 超薄的二维(2D)材料石墨烯[1]、过渡金属硫化物(TMDs)[2]、过渡金属碳化物/氮化物(MXenes)[3]及二维金属卤化物钙钛矿[4]的先后发现[5], 为谷电子学、自旋电子学以及铁电[6–8]等新奇物理特性的研究提供了广泛的平台, 并在光电、传感、非易失性铁电和铁磁存储领域引起了巨大的关注. 其中铁电和铁磁耦合而成的多铁材料的设计是实现下一代新型逻辑存储的重要途经之一, 其存储原理为: 在2D材料中发现的具有本征受拓扑保护的磁斯格明子, 磁斯格明子通过铁电极化的翻转来调控其类型, 从而实现逻辑态的存储. 而本征磁斯格明子通常是由中心反演对称性破缺的结构诱导的DMI (Dzyaloshinskii–Moriya interaction)项产生的, 因此中心反演对称性破缺的体系是探索磁斯格明子的前提条件[9]. 二维Janus结构的上下两面为不同元素组成的原子层, 上下两层原子电负度的差异使其在垂直方向具有大的内建电场, 打破空间反演对称性, 在物理和化学性质上呈现出不对称性. 几个到十几个原子层厚度的二维Janus材料具有显著的量子限域效应, 作为一种典型的量子效应, 其与材料的组成、结构、化学键和电子结构等因素紧密相关[10–13], 二维Janus材料因其独特的结构在压电传感器、催化剂[14]、生物医学领域和能源存储等领域显示了广泛的应用前景[15,16]. 特别是具有大的磁晶各向异性、高磁矩和本征磁拓扑的磁性Janus体系, 是发展新一代赛道级磁存储的重要候选者[2,6,17–20].
传统的实验试错方法在新材料探索中昂贵且耗时, 而基于第一性原理计算的高通量筛选虽降低了实验和研发的周期及成本, 但对于复杂结构的大体系则面临算力大、时间成本高等一系列瓶颈[21,22]. 近年来, 随着机器学习(ML)在凝聚态物理及微电子研究中的兴起[23,24], 研究人员能够通过模型快速从海量未知体系中筛选出满足所需物理性质的体系, 显著减少了周期及成本, 随后, 通过第一性原理计算进行理论研究, 验证模型预测的准确性. 机器学习与第一性原理计算的结合[25–27], 大幅提升了材料研究的速度和精确度, 推动了新材料的快速发现和开发.
当前, 国内外科研工作者已经采用机器学习和第一性原理计算方法对Janus材料及其异质结的物理和化学性质开展了研究. Huang等[28]利用机器学习结合密度泛函理论方法研究了Janus材料活性点位的局部偶极矩对单原子催化剂催化活性的显著影响, 发现活性点位的局部偶极矩是调节催化活性的关键因素, 为设计高性能催化剂提供了新策略. Chaney等[29]利用密度泛函理论和机器学习方法研究了Janus异质结 Mo/WXY (X, Y = S, Se, Te)表面锂的吸附和扩散, 探讨了二维Janus过渡金属硫化物的结构不对称性对电子性质的影响, 并对比了Janus与常规TMDs结构的差异, 从而为锂的吸附和扩散机制提供了机理解释 . Yan等[30]通过替换不同过渡金属的二维铁磁Janus MXenes材料, 显示其基态铁磁源与磁性原子d轨道电子的直接交换, 并基于机器学习的方法筛选出铁磁性的材料, 为自旋电子器件开发提供了新策略. 尽管上述研究中, 基于机器学习的方法对Janus材料性质的挖掘取得了重要进展, 但对于六角晶系Janus结构的磁预测仍有待探索. 此外, 如何通过特征工程及超参数优化进一步提高模型的准确性也面临着挑战. 因此, 研究和发展基于六角晶系Janus体系的高效且准确的磁预测模型为二维铁磁家族的扩展提供了平台, 并将为凝聚态物理及微电子等领域带来新的突破, 对自旋电子器件的发展具有重要意义.
本文基于材料的元素组分信息, 训练了四种针对六角晶系ABC型Janus结构的机器学习模型. 用于预测Janus材料的晶格常数、形成能和磁矩分类. 通过模型的高通量筛选, 发现了4024种未被探索的高磁矩六角晶系Janus材料. 最后, 基于第一性原理的计算, 进一步验证了模型筛选的可靠性, 为未来实验上制备上述高磁矩的Janus材料提供了理论依据. 工作流程如图1所示.
-
本文从Materials Project数据库[31]中提取1179种二维六角晶系ABC型Janus材料作为数据集, 图2(a)和图2(b)分别为二维六角晶系Janus材料原子结构的侧视和俯视图. 中间层紫色原子是B原子, 上下两层分别为半径大小不同的绿色A和黄色C原子层. 由于A和C原子的电负度不同, 因此沿c轴方向会产生内置电场, 打破空间反演对称性. 该数据集包含材料的化学成分信息(元素、化学配比)、晶体空间群、晶格常数、形成能和总磁矩等.
图3展示了数据集中二维Janus结构数量随晶格常数、形成能及总磁矩变化的分布情况. 图3(a)显示, 数据集中Janus结构的晶格常数a, b的分布主要在4 Å和8 Å附近, 具有两个显著峰值, 表明数据集中面内晶格较为集中. 图3(b)显示晶格常数c主要分布在3—10 Å的范围内, 在3—7 Å处具有显著峰值, 而少数二维Janus结构的c值大于10 Å, 这可能是模型中考虑了真空层的厚度所导致[32]. 图3(c)显示大部分Janus结构的形成能低于0 eV, 表明上述结构是热稳定的, 仅小部分是不稳定的. 图3(d)显示大部分材料的总磁矩主要集中在0—
$ 0.25\mu_{\mathrm{B}} $ 的狭窄区间, 只有少数具有较高的磁矩. 上述特征表明, 数据集中的大部分Janus结构是热稳定的, 且具有较低的磁矩. 以上数据集中目标属性的特征对于机器学习算法的选择、超参数调试具有重要作用.对数据集进行初步分析后, 接下来执行数据预处理步骤. 首先, 在六角晶系ABC型Janus材料中, 晶格常数a (Lattice a)和b (Lattice b)的数值始终一致, 因此在模型训练中, 将晶格常数a和b合并为一个变量(Lattice a=b), 以简化预测任务. 此外, 模型训练仅考虑晶格常数a和b小于10 Å的样本, 通过排除这些样本来减少噪声, 防止异常值对模型训练的干扰, 从而提高模型性能. 对于晶格常数c (Lattice c), 也采取了相同的操作.
其次, 添加磁分类标签, 将目标属性总磁矩分为低磁矩(
$0 \mu_{\mathrm{B}} $ —$ 0.25\mu_{\mathrm{B}} $ )、中磁矩($0.25 \mu_{\mathrm{B}} $ —$ 3.5\mu_{\mathrm{B}} $ )、高磁矩材料(>$3.5 \mu_{\mathrm{B}} $ ), 标签分类为0/1/2, 每一类材料的数量分别为899, 214及66个. 通过将磁矩分为三个组别, 可以更好地捕捉不同磁矩类别之间的差异, 为进一步的材料发现和研究提供更详细的信息和指导.本研究中, 模型训练的数据集按照9∶1的比例, 划分为训练集和测试集. 选择90%的数据作为训练集能够为模型提供充足的样本量进行学习, 确保模型充分捕捉数据中的模式和特征, 从而提高其拟合能力和预测性能. 此外, 为了在分类学习中保持训练集和测试集中各类别样本比例平衡, 采用分层抽样策略. 在模型训练过程中, 使用SMOTEENN (SMOTE and edited nearest neighbours)采样步骤[33]. SMOTEENN结合了SMOTE的过采样和ENN的欠采样, 这种方法首先对数据集应用 SMOTE技术, 对少数类样本进行过采样, 生成新的少数类样本, 然后对过采样后的数据集应用 ENN技术, 通过删除噪声和边界样本进行欠采样. 本研究提供一种综合方法来同时处理少数类样本不足和噪声样本问题. 这种方法提高了数据的质量和代表性, 使得模型能够更准确地学习和预测, 从而在实际应用中表现出更好的性能.
-
本文采用
$\rm{Matminer}$ [34]的元素数据和化学计量组成特征器—$\rm{ElementFraction}$ , 生成了22组仅含材料组成信息的元素属性统计描述符(magpie). 每组元素属性统计描述符包括: 最小值(min)、最大值(max)、范围(range)、平均值(mean)、平均偏差(ave_dev)、众数(mode), 共计得到了包含元素组分信息的132个描述符.对每种Janus结构构建一个
$ 3 \times 3 $ 大小的矩阵, 将magpie统计的22个元素属性分别以主对角线为元素本身的属性值, 非主对角线则是原子i和j之间元素性质之和(如基态磁矩和与轨道电子数有关的属性)或其比值(其余属性)的形式构建材料的二维元素属性矩阵特征, 得到22组$ 3 \times 3 $ 型元素属性矩阵描述符[35]. 随后, 将每组元素属性矩阵按行展平并拼接, 最终获得198种特征描述符.通过将特征数量从132个提高到198个, 不仅丰富了材料的描述信息, 还引入了元素间相互作用的特征, 从而提高了模型的学习能力和预测准确性. 这样的方法能够更全面地捕捉材料的复杂性质, 提高模型在实际应用中的表现. 补充材料图S1 (
online ), 表明了各模型在训练过程中比较重要的特征. -
本研究采用了四种机器学习算法: 基于Sklearn库[36]的随机森林(random forest, RF)、梯度提升决策树(gradient boosting decision tree, GBDT)、极端随机树(extremely randomized trees, ET), 以及基于专用的 XGBoost库[37]的极端梯度提升算法XGBoost, XGB). XGB是一种高效的梯度提升算法, 具有分块训练、自动处理缺失值、正则化防止过拟合等优化功能. 此外, 上述四种算法能有效处理高维度和复杂特征交互的数据, 具有快速计算和高精度预测的优势. 对于回归任务, 上述四种算法使用均方误差(mean squared error, MSE)作为损失函数, 并通过拟合优度(R2)、平均绝对误差(mean absolute error, MAE)和均方根误差(root mean squared error, RMSE)来评估其性能. 对于分类任务, RF和ET使用基尼不纯度(Gini impurity)作为评估准则, 而GBDT和XGB则采用对数损失(log-loss)函数作为评估准则. 分类任务的性能评估指标包括准确率(accuracy)、精确率(precision)、召回率(recall)和F1分数(F1 score). 上述评价指标的引入, 能够系统地比较和分析不同算法在分类和回归任务中的表现, 为模型选择提供了科学依据.
在机器学习的分类与回归任务中, 虽然RF, GBDT, XGB和ET使用的基本算法结构和超参数类型相同, 但这些超参数的调整重点因任务性质的不同而有所区别. 分类任务侧重于提高算法的泛化能力和准确预测类别, 而回归任务则强调预测值的精确度和误差的控制. 对于上述四种算法, 树的数量(
$ n\_{\mathrm{estimators}} $ )、最大深度($ {\mathrm{max}}\_{\mathrm{depth}} $ )以及最大特征数($ {\mathrm{max}}\_{\mathrm{features}} $ )是共通的关键参数, 影响模型的学习能力和复杂性. 在分类任务中, RF算法与ET算法的叶节点上所需的最小样本数 ($ {\mathrm{min\_samples\_leaf }}$ )及内部节点再划分所需的最小样本数(${\mathrm{ min\_samples}}\_{\mathrm{split }}$ )是特别重要的; 而对于GBDT和XGB, 样本子集比例($ {\mathrm{subsample}} $ )和最小化损失的增益(γ)的作用亦如此, 这些参数降低模型对训练数据的噪声敏感性, 减少模型的深度, 提高对数据变化的适应能力, 防止过拟合、欠拟合及提升泛化能力. 另一方面, 对于回归任务, RF和ET算法所需的最大特征数(${\mathrm{ max\_features}} $ )及XGB与GBDT算法所需的每棵树所采样的特征比例($ {\mathrm{colsample\_bytree}} $ )和学习率($ {\mathrm{learning\_rate}} $ )是特别重要的, 这些超参数的精确调整可以帮助模型找到更好的局部最优解, 加速模型训练, 减少对训练数据的依赖, 从而降低过拟合的可能性. 因此, 虽然共通参数为模型提供了基础结构, 但是特定任务相关的参数调整是优化性能、提高精确度和防止过拟合的关键.本研究采用贝叶斯超参数搜索技术[38], 在超参数优化过程中, 每次迭代都基于贝叶斯统计预测各参数组合的潜在性能, 优先评估那些最有可能提升模型表现的参数组合. 这种策略通过持续更新概率模型, 并根据获得的性能数据优化搜索策略, 有效地识别出最佳参数配置. 通过在十折交叉验证中综合评估各参数组合的表现, 在最终迭代中选出表现最优的超参数配置, 显著提升了模型的预测精度和泛化能力. 不同学习任务中最优算法模型的超参数见表1.
-
本文采用基于DFT的第一性原理计算方法[39,40], 通过维也纳从头计算模拟包(Vienna ab initio simulation package, VASP)进行结构优化和静态计算. 电子交换关联能由Perdu-Burke-Ernzerhof(PBE)泛函描述. 布里渊区中采用 5
$ \times $ 5$ \times $ 5 k点网格进行优化和自洽, 平面波截断能量设置为 500 eV. 每个原子上所受力的收敛阈值设置为–0.1 eV/Å, 能量收敛标准为$ 1 \times 10^{-6} $ eV. 为了描述局域化电子之间的库仑排斥力, 对含有d, f轨道电子的强关联体系设置了有效场库仑相互作用参数Hubbard U. 所有的计算中, 原子的初始磁矩设置为零, 通过原子尺度的结构优化和静态计算, 提取二维Janus结构中的原子磁矩并与模型预测结果对比, 验证模型预测可靠性. -
本研究对晶格常数的模型训练分为两类: 一类是针对晶格常数a和b的训练, 另一类是针对晶格常数c的训练. 为了全面评估这两个部分的模型性能, 使用十折交叉验证评估模型. 此方法不仅能够评估模型的稳定性, 还能有效防止过拟合. 表2展示了四种模型分别对上述两类任务在测试集上的平均评估指标.
对于晶格常数a和b的预测, ET模型表现最佳, 其MAE为0.3469, RMSE为0.6808及R2评分达到了0.8137. 这表明ET模型在完成训练晶格常数a和b的任务时具有较高的准确性和稳定性. 在晶格常数c的预测中, XGB模型表现最佳, 其MAE为0.5953, RMSE为0.9474及R2评分为0.7186. 图4(a)和图4(b)分别展示了最优模型ET和XGB在晶格常数a, b 和c的预测任务里, 在十折交叉验证过程中样本集上所有真实值与预测值拟合程度的散点图.
从上述数据可以看出, 晶格常数c预测的性能评估低于晶格常数a和b. 这主要是由于Materials Project数据库中晶格常数c的标准不一致, 并未阐明是否包含真空层厚度. 如果考虑了真空层厚度, 其晶格会比体相的实际晶格c大很多, 而往往在具有大的晶格常数c的Janus体系中, 真空层可能被包含在其中. 这就导致数据集中的晶格c比实际晶格要大得多. 特别是在高晶格常数c的材料中, 大多增加了真空层, 导致c值显著偏大. 这种处理方式增加了数据分布的极端性和复杂性, 使得数据的统计特性存在显著差异和额外的变异性, 进一步加剧了数据的复杂性, 从而增加了模型的学习难度, 导致晶格常数c的预测效果略低于晶格常数a和b.
-
本文分别采用了RF, GBDT, XGB和ET四种算法训练二维Janus材料形成能的预测模型, 并对模型性能进行了评估. 表3展示了十折交叉验证过程中各模型在测试集上的平均评估指标MAE, RMSE及
$R^2$ . 图5(a)—(d)展示了各模型在十折交叉验证过程中样本集上所有真实值与预测值拟合程度的散点图.评价指标结果表明, GBDT模型表现最为优异, 具有最低的MAE和RMSE, 以及最高的R2评分, 其MAE为0.0798, RMSE为0.1411, 且R2评分达到了0.9070. 尽管XGB在MAE, RMSE, R2指标上也表现良好, 但总体上仍稍逊于GBDT. 散点图直观地展示了GBDT模型在十折交叉验证过程中样本集上所有真实值与预测值之间良好的拟合程度, 大多数样本点都分布在对角线上. 综上所述, 基于GBDT训练的形成能模型在各项性能评估指标上表现更优异, 能有效建立二维Janus材料的元素组分信息与形成能之间的映射关系, 保证了预测结果的准确性.
-
为了评估磁矩分类模型的性能, 对四种模型进行了十折交叉验证, 并使用宏平均(macro-averaging)方式对每个类别单独计算评价指标, 然后对所有类别的结果取平均, 以确保每个类别的表现都得到公平的评估. 这种方法在类别不平衡的情况下, 能够对模型性能提供更加全面和真实的评价. 其在十折交叉验证过程中各模型在测试集上的平均评估指标如表4所列. 图6(a)—(d)直观展示了各模型在十折交叉验证过程中所有预测值和真实值的混淆矩阵图.
上述评价指标结果显示, GBDT模型在准确率、精确率、召回率和F1分数上均展现出优越性, 表明其能更有效地识别和分类复杂数据集中的类别. 相比之下, RF和ET虽然在处理高维数据时稳健, 但在某些类别的识别上存在误判, 这可能会影响在实际应用中对未知样本的预测效果. XGB虽然处理速度快, 适合大规模数据, 但其对异常数据的敏感性可能在未探测的数据集上造成性能波动. 因此, GBDT由于较强的泛化能力和稳定的性能表现, 成为寻找高磁矩Janus材料最具潜力的模型.
-
以数据集中二维六角晶系的ABC型Janus结构为基础, 在元素周期表中对A, B和C包含的所有元素随机替换, 生成了82018 种尚未发现的ABC型二维Janus材料, 上述结构不属于原数据集.
将上述各部分评价性能最好的模型用于预测82018种二维六角晶系Janus材料的晶格常数、形成能和磁矩. 模型共预测出4204种包含晶格信息并具有热稳定和高磁矩的结构. 为了进一步验证其可靠性, 本文从高通量筛选结果中随机挑选了13种涵盖了不同元素的二维Janus结构并结合第一性原理的研究, 计算其晶格常数、形成能和磁矩. 图7分别为ErFeTb, FeNO, HoRuSr, DyOsSr, EuSbSr, HoIrSr, LiUZn, PuSZn, GdKU, LuNbTi, GdHfSe, NaTbZn及HoNpSr共13种二维Janus原子结构的侧视图. 优化后的晶格常数、形成能和磁矩如表5所列. 补充材料表S1 (
online )给出了13种未优化结构的形成能和磁矩.根据上述结果, 优化后的13种二维六角晶系Janus结构的形成能均为负值, 表明上述Janus体系是热力学稳定的. 此外, 基于第一性原理的研究表明, 所有13种Janus结构均具有磁性, 理论计算与机器学习模型的预测值一致. 其中ErFeTb, HoRuSr, DyOsSr, EuSbSr, HoIrSr, PuSZn, GdKU, GdHfSe, NaTbZn和HoNpSr的单原子磁矩超过
$3 \mu_{\mathrm{B }}$ , 如表5所列. 上述具有高磁矩的原子主要属于锕系金属(如Pu, Np)和稀土元素(如Tb, Gd, Dy). 上述元素因为未填满的f轨道电子的净磁矩贡献诱导了磁性. 这表明含有锕系金属和稀土元素的化合物是设计高磁矩六角晶系ABC型Janus材料的有力候选. 补充材料S1 (online )为基于机器学习模型预测的13种未优化的Janus结构, 结合第一性原理计算的形成能和磁矩. -
本研究基于材料的元素组分信息, 构建了包含22组元素属性的矩阵特征, 每组特征通过行展平, 生成了198种特征描述符. 针对六角晶系ABC型Janus材料的晶格常数、形成能和磁矩分类, 对四种机器学习模型(RF, GBDT, XGB, ET)采用了贝叶斯超参数优化和十折交叉验证方法进行训练, 并得到了在各自任务中表现最佳的模型(晶格常数a = b : ET; 晶格常数c: XGB; 形成能: GBDT及磁矩分类: GBDT). 通过对数据集中六角晶系结构进行元素替换, 生成了82018种尚未发现的六角晶系ABC型Janus材料. 应用上述训练的机器学习模型, 筛选出了4024种结构稳定且具有高磁矩的六角晶系Janus材料. 鉴于算力的限制, 随机选择了13种结构结合第一性原理进行计算验证, 得到了10种优化后热力学稳定且单原子磁矩超过
$ 3\mu_{\mathrm{B}} $ 的Janus材料, 研究表明, 含有稀土和锕系金属元素的化合物是设计高磁矩Janus材料的有力候选, 进一步验证了机器学习模型预测二维六角晶系Janus材料磁性的可靠性. -
支撑本研究成果的数据集可在科学数据银行
https:// doi.org/10.57760/sciencedb.j00213.00072 中访问获取.
基于机器学习和第一性原理计算的Janus材料预测
Prediction of magnetic Janus materials based on machine learning and first-principles calculations
-
摘要:
寻找尺寸小、稳定性高和易操控的纳米磁结构——磁斯格明子(magnetic skyrmion), 是发展下一代高密度、高速度和低能耗非易失性信息存储器件核心存储单元的关键. 磁性斯格明子根据其拓扑产生机制, 可以由非中心对称结构诱导的DMI (Dzyaloshinskii–Moriya interaction)作用项产生. 二维Janus结构具有两个不同面的原子层, 可以形成垂直内建电场, 打破中心空间反演对称性. 因此寻找具有本征磁性的二维Janus材料是研究新型磁存储的基础. 本文基于晶体材料数据库Materials Project中的1179种六角晶系ABC型Janus材料数据, 以其元素组分信息为特征描述符, 构建了随机森林、梯度提升决策树、极端梯度提升和极端随机树等四种机器学习模型, 基于上述模型对晶格常数、形成能和磁矩分类进行了预测, 并采用十折交叉验证法对模型进行了评估. 梯度提升决策树在磁矩分类预测显示出最高的精度和泛化能力. 最后, 基于上述模型对尚未发现的82018种二维Janus材料进行了预测, 筛选得到4024种具有热稳定性的高磁矩结构, 并基于第一性原理的方法对其中随机抽样的13种高磁矩结构进行了计算验证. 本研究为二维Janus材料磁矩分类和高通量筛选训练了有效的机器学习模型, 加速了二维Janus结构磁性的探索. 本文数据集可在中访问获取.
Abstract:Discovering compact, stable, and easily controllable nanoscale non-trivial topological magnetic structures, such as magnetic skyrmions, is the key to developing next-generation high-density, high-speed, and low-energy non-volatile information storage devices. Based on the topological generation mechanism, magnetic skyrmions can be generated through the Dzyaloshinskii–Moriya interaction (DMI) caused by breaking space-reversal symmetry. Two-dimensional (2D) non-centrosymmetric Janus structurecan generate vertical built-in electric fields to break spatial inversion symmetry. Therefore, seeking for 2D Janus material with intrinsic magnetism is fundamental to develop the novel chiral magnetic storage technologies. In this work, we combine detailed machine learning techniques and first-principle calculations to investigate the magnetism of the unexplored 2D Janus material. We first collect 1179 2D hexagonal ABC-type Janus materials based on the Materials Project database, and use elemental composition as feature descriptors to construct four machine learning models: random forest (RF), gradient boosting decision trees (GBDT), extreme gradient boosting (XGB), and extra trees (ET). These algorithms and models are constructed to predict lattice constants, formation energy, and magnetic moment, via hyperparameter optimization and ten-fold cross-validation. The GBDT exhibits the highest accuracy and best prediction performance for magnetic moment classification. Subsequently, the collected data of 82018 yet-undiscovered 2D Janus materials, are input into the trained models to generate 4024 high magnetic moment 2D Janus materials with thermal stability. First-principles calculations are employed to validate random sample of 13 Janus materials with high magnetic moment. This study provides an effective machine learning framework for classifying the magnetic moments and screening highthroughput 2D Janus structures, thereby accelerating the exploration of their magnetic properties.
-
-
图 1 机器学习结合基于密度泛函理论(DFT)发掘高磁矩Janus材料步骤
Figure 1. Steps for discovering high magnetic moment Janus materials by combining machine learning with density fun-ctional theory (DFT).
图 2 六角晶系ABC型Janus材料原子结构的(a)侧视图和(b)俯视图
Figure 2. (a) Side view and (b) top view of atomic structures of hexagonal ABC-type Janus materials.
图 3 数据集中二维 Janus 材料的(a)晶格常数 a 和b, (b)晶格常数 c, (c)形成能和(d)总磁矩的分布
Figure 3. The distribution of (a) lattice constants a and b, (b) lattice constant c, (c) formation energy and (d) total magnetic moment of the dataset of 2D Janus materials.
图 4 晶格常数预测: 最优模型在十折交叉验证中的散点图 (a) Lattice a = b预测任务最优模型: 极端随机树; (b) Lattice c预测任务最优模型: 极端梯度提升
Figure 4. Prediction of lattice constants: scatter plots for the optimal models in ten-fold cross-validation: (a) The optimal model for the lattice a = b prediction task: ET; (b) the optimal model for the lattice c prediction task: XGB.
图 5 形成能预测: 四种模型在十折交叉验证上的散点图 (a)随机森林; (b)梯度提升决策树; (c)极端梯度提升; (d)极端随机树
Figure 5. Prediction of formation energy: Scatter plots for four models in ten-fold cross-validation: (a) RF; (b) GBDT; (c) XGB; (d) ET
图 6 磁矩分类预测: 四种模型在十折交叉验证上的混淆矩阵 (a)随机森林; (b)梯度提升决策树; (c)极端梯度提升; (d)极端随机树
Figure 6. Prediction of magnetic moment classification: Confusion matrices for four models in ten-fold cross-validation: (a) RF; (b) GBDT; (c) XGB; (d) ET.
图 7 13种二维六角晶系Janus原子结构的侧视图
Figure 7. Side view of atomic structures of 13 two-dimensional hexagonal Janus materials.
表 1 不同训练任务中机器学习最优模型的超参数
Table 1. The hyperparameters of the optimal machine learning models in various training tasks.
模型 超参数 GBDT(磁矩分类) learning_rate = 0.01603011, max_depth = 5, n_estimators = 272, subsample = 0.69895067 GBDT(形成能) learning_rate = 0.02, max_depth = 6, n_estimators = 353, subsample = 0.93030056 ET(晶格常数a和b) max_depth = 10, max_features = 0.60, n_estimators = 100,
min_samples_leaf = 2, min_samples_split = 4XGB(晶格常数c) learning_rate = 0.02, n_estimators = 300, max_depth = 5,
subsample = 0.8, colsample_bytree = 0.49613519
下载: 导出CSV
表 2 晶格常数预测
Table 2. Prediction of lattice constants.
模型 Lattice a = b Lattice c MAE RMSE $R^2$ MAE RMSE $R^2$ RF 0.5485 0.8104 0.7375 0.6491 1.0001 0.6872 GBDT 0.4477 0.7350 0.7829 0.6679 0.9924 0.6923 XGB 0.5427 0.7968 0.7462 0.5953 0.9474 0.7186 ET 0.3469 0.6808 0.8137 0.6534 1.0103 0.6817
下载: 导出CSV
表 3 形成能预测: 四种机器学习模型的评价指标
Table 3. The prediction of formation energy: Evaluation metrics of four machine learning models.
模型 MAE RMSE $R^2$ RF 0.1054 0.1697 0.8671 GBDT 0.0798 0.1411 0.9070 XGB 0.0959 0.1533 0.8930 ET 0.1120 0.1701 0.8657
下载: 导出CSV
表 4 磁矩分类预测: 四种机器学习模型的评价指标
Table 4. Prediction of magnetic moment classification: Evaluation metrics of four machine learning models.
模型 Accuracy Precision Recall F1 score RF 0.8770 0.8459 0.7636 0.7862 GBDT 0.8948 0.8498 0.8182 0.8263 XGB 0.8762 0.8398 0.7697 0.7883 ET 0.8795 0.8392 0.7778 0.7965
下载: 导出CSV
表 5 13种结构优化后的六角晶系ABC型Janus材料的晶格常数、形成能和磁矩
Table 5. Optimized lattice constants, formation energies, and magnetic moments of 13 two-dimensional hexagonal ABC-type Janus materials.
Formula Lattice constants Formation energy/eV $ |\mu| / \mu_{\mathrm{B}} $ a = b/Å c/Å A B C ErFeTb 3.35 18.25 –2.02 2.51 3.03 6.24 FeNO 2.92 15.00 –11.87 1.17 0.08 0.47 HoRuSr 4.90 18.79 –6.66 3.79 0.02 0.05 DyOsSr 4.18 18.87 –6.89 4.89 0 0.13 EuSbSr 5.43 18.69 –5.53 6.85 0.01 0.05 HoIrSr 4.58 18.79 –7.24 3.72 0 0.05 LiUZn 2.89 18.13 –0.44 0 1.65 0.01 PuSZn 4.52 18.13 –6.75 5.61 0.10 0.01 GdKU 7.46 18.13 –2.39 7.33 0 2.96 LuNbTi 3.02 18.13 –1.76 0.02 0.28 1.67 GdHfSe 5.03 18.93 –8.46 7.33 0.34 0.02 NaTbZn 4.65 18.69 –1.87 0.02 6.00 0 HoNpSr 3.69 18.46 –1.80 3.81 4.38 0.08
下载: 导出CSV
-
[1] Novoselov K S, Geim A K, Morozov S V, Jiang D, Zhang Y, Dubonos S V, Grigorieva I V, Firsov A A 2004 Science 306 666 doi: 10.1126/science.1102896 [2] Zhang Z W, Lang Y F, Zhu H P, Li B, Zhao Y Q, Wei B, Zhou W X 2024 Phys. Rev. Appl. 21 064012 doi: 10.1103/PhysRevApplied.21.064012 [3] Liu B, Feng X X, Long M Q, Cai M Q, Yang J L 2022 Phys. Rev. Appl. 18 054036 doi: 10.1103/PhysRevApplied.18.054036 [4] 熊祥杰, 钟防, 张资文, 陈芳, 罗婧澜, 赵宇清, 朱慧平, 蒋绍龙 2024 物理学报 73 137101 doi: 10.7498/aps.73.20240434 Xiong X J, Zhong F, Zhang Z W, Chen F, Luo J L, Zhao Y Q, Zhu H P, Jiang S L 2024 Acta Phys. Sin. 73 137101 doi: 10.7498/aps.73.20240434 [5] Zhao Y Q, Liu Z S, Nie G Z, Zhu Z H, Chai Y F, Wang J N, Cai M Q, Jiang S L 2021 Appl. Phys. Lett. 118 173104 doi: 10.1063/5.0045903 [6] Lang Y F, Zou D F, Xu Y, Jiang S L, Zhao Y Q, Ang Y S 2024 Appl. Phys. Lett. 124 052903 doi: 10.1063/5.0189709 [7] Liao C S, Ding Y F, Zhao Y Q, Cai M Q 2021 Appl. Phys. Lett. 119 182903 doi: 10.1063/5.0068971 [8] Tan W, Zhang Z W, Zhou X Y, Yu Z L, Zhao Y Q, Jiang S L, Ang Y S 2024 Phys. Rev. Mater. 8 094414 doi: 10.1103/PhysRevMaterials.8.094414 [9] Liang J H, Wang W W, Du H F, Hallal A, Garcia K, Chshiev M, Fert A, Yang H X 2020 Phys. Rev. B 101 184401 doi: 10.1103/PhysRevB.101.184401 [10] Zhang S Q, Xu R Z, Luo N N, Zou X L 2021 Nanoscale 13 1398 doi: 10.1039/D0NR06813F [11] Dai C Y, He P, Luo L X, Zhan P X, Guan B, Zheng J 2023 Sci. China Mater. 66 859 doi: 10.1007/s40843-022-2298-0 [12] Wang P, Zong Y X, Wen H Y, Xia J B, Wei Z M 2021 Acta Phys. Sin. 70 026801 [王盼, 宗易昕, 文宏玉, 夏建白, 魏钟鸣 2021 物理学报 70 026801] doi: 10.7498/aps.70.20201406 Wang P, Zong Y X, Wen H Y, Xia J B, Wei Z M 2021 Acta Phys. Sin. 70 026801 doi: 10.7498/aps.70.20201406 [13] Ren K, Wang K, Zhang G 2022 ACS Appl. Electron. Mater. 4 4507 doi: 10.1021/acsaelm.2c00740 [14] Peng Z L, Huang J X, Guo Z G 2021 Nanoscale 13 18839 doi: 10.1039/D1NR05499F [15] Zhang L, Yang Z J F, Gong T, Pan R K, Wang H D, Guo Z N, Zhang H, Fu X 2020 J. Mater. Chem. A 8 8813 doi: 10.1039/D0TA01999B [16] Vafaeezadeh M, Thiel W R 2022 Angew. Chem. Int. Edit. 61 e202206403 doi: 10.1002/anie.202206403 [17] Mukherjee T, Kar S, Ray S 2022 J. Mater. Res. 37 3418 doi: 10.1557/s43578-022-00753-5 [18] Li C Q, An Y K 2022 Phys. Rev. B 106 115417 doi: 10.1103/PhysRevB.106.115417 [19] Zhang L, Zhao Y, Liu Y Q, Gao G Y 2023 Nanoscale 15 18910 doi: 10.1039/D3NR04627C [20] Xu L J, Wan W H, Peng Y R, Ge Y F, Liu Y 2024 Ann. Phys. 536 2300388 doi: 10.1002/andp.202300388 [21] Gao Z Y, Mao G Y, Chen S Y, Bai Y, Gao P, Wu C C, Gates I D, Yang W J, Ding X L, Yao J X 2022 Phys. Chem. Chem. Phys. 24 3460 doi: 10.1039/D1CP04976C [22] Liu H, Sun J T, Liu M, Meng S 2018 J. Phys. Chem. Lett. 9 6709 doi: 10.1021/acs.jpclett.8b02783 [23] Nelson J, Sanvito S 2019 Phys. Rev. Mater. 3 104405 doi: 10.1103/PhysRevMaterials.3.104405 [24] Belot J F, Taufour V, Sanvito S, Hart G L 2023 Appl. Phys. Lett. 123 042405 doi: 10.1063/5.0156377 [25] Miyazato I, Tanaka Y, Takahashi K 2018 J. Phys.: Condens. Matter 30 06L [26] Lu S H, Zhou Q H, Guo Y L, Zhang Y H, Wu Y L, Wang J L 2020 Adv. Mater. 32 2002658 doi: 10.1002/adma.202002658 [27] Ma X Y, Lyu H Y, Hao K R, Zhao Y M, Qian X F, Yan Q B, Su G 2021 Sci. Bull. 66 233 doi: 10.1016/j.scib.2020.09.010 [28] Huang T, Yang Z X, Li L, Wan H, Leng C, Huang G F, Hu W Y, Huang W Q 2024 J. Phys. chem. Lett. 15 2428 doi: 10.1021/acs.jpclett.3c03148 [29] Chaney G, Ibrahim A, Ersan F, Çakır D, Ataca C 2021 ACS Appl. Mater. Interfaces 13 36388 doi: 10.1021/acsami.1c05508 [30] Yan X H, Zheng J M, Zhao X, Zhao P J, Guo P, Jiang Z Y 2024 Phys. Status Solidi Rapid Res. Lett. 18 2300468 doi: 10.1002/pssr.202300468 [31] Jain A, Ong S P, Hautier G, Chen W, Richards W D, Dacek S, Cholia S, Gunter D, Skinner D, Ceder G, Persson K A 2013 APL Mater. 1 011002 doi: 10.1063/1.4812323 [32] Chen P Y, Lam C H, Edmondson B, Posadas A B, Demkov A A, Ekerdt J G 2019 J. Vac. Sci. Technol. A 37 050902 doi: 10.1116/1.5111969 [33] Khushi M, Shaukat K, Alam T M, Hameed I A, Uddin S, Luo S, Yang X, Reyes M C 2021 IEEE Access 9 109960 doi: 10.1109/ACCESS.2021.3102399 [34] Ward L, Dunn A, Faghaninia A, Zimmermann N E, Bajaj S, Wang Q, Montoya J, Chen J, Bystrom K, Dylla M, Chard K, Asta M, Persson K A, Snyder G J, Foster I, Jain A 2018 Comp. Mater. Sci. 152 60 doi: 10.1016/j.commatsci.2018.05.018 [35] Chen J, Song Y Y, Li S Z, Que Z X, Zhang W B 2023 Sci. China Technol. Sci. 1 011002 [36] Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J, Passos A, Cournapeau D, Brucher M, Perrot M, Duchesnay E 2011 J. Mach. Learn. Res. 12 2825 [37] Ester M, Kriegel H P, Xu X 2023 Geogr. Anal. 55 207 doi: 10.1111/gean.12315 [38] Wu J, Chen X Y, Zhang H, Xiong L D, Lei H, Deng S H 2019 J. Electron. Sci. Technol. 17 26 [39] Ma Q Y, Wan W H, Ge Y F, Li Y M, Liu Y 2022 J. Magn. Magn. Mater. 605 172314 [40] Yin W J, Tan H J, Ding P J, Wen B, Li X B, Teobaldi G, Liu L M 2021 Mater. Adv. 2 7543 doi: 10.1039/D1MA00660F -
计量
- 文章访问数: 810
- HTML全文浏览数: 810
- PDF下载数: 18
- 施引文献: 0