《Materials Science in Semiconductor Processing》:uMLPs driven structural relaxation and xTB based quantum screening for identification of potential topological and spintronic materials
编辑推荐:
摘要拓扑与自旋电子学量子材料的发现从根本上受到化学和结构相空间巨大复杂性的制约。在此,我们提出了一种基于机器学习的分层亚稳态感知框架,用于从逆设计组成的空间中识别具有拓扑性和自旋电子学适用性的材料候选者。该工作流程整合了化学驱动的结构基础设定、占据工程化的原子初始化、交叉验证
摘要
拓扑与自旋电子学量子材料的发现从根本上受到化学和结构相空间巨大复杂性的制约。在此,我们提出了一种基于机器学习的分层亚稳态感知框架,用于从逆设计组成的空间中识别具有拓扑性和自旋电子学适用性的材料候选者。该工作流程整合了化学驱动的结构基础设定、占据工程化的原子初始化、交叉验证的CHGNet和MACE结构弛豫、存活性分析和高通量xTB量子电子学筛选。所有生成的候选材料均表现出稳健的亚稳态结构存活性和强烈的跨uMLP一致性。电子学筛选揭示了广泛涌现的超小带隙、电子学软化和富重元素体系。若干候选材料,包括MnPd2Sb、Cu2AuPb、Cu2Rh2Te、Cu2RhTe及Ni2Ag2Sb,被确认为极具前景的材料。所提出的框架建立了一种可扩展策略,用于加速机器学习驱动的亚稳态量子材料相空间探索,并为未来第一性原理和实验验证优先筛选高置信度候选者。
引言
具有非平庸电子拓扑、强自旋-轨道耦合(SOC)、关联电子行为及涌现自旋依赖现象的量子材料,已成为下一代凝聚态物理和量子器件工程的核心[1]、[2]、[3]。这些材料承载由对称性和拓扑保护的稳健量子态,可实现非常规输运行为、无耗散边缘导电、自旋-动量锁定、反常霍尔响应以及狄拉克、外尔和马约拉纳费米子等奇异准粒子[4]、[5]。其独特的物理性质引发了在自旋电子学、低功耗电子学、量子传感、神经形态架构和拓扑量子计算等领域应用的浓厚兴趣[6]、[7]、[8]。
自旋电子学的最新进展进一步强调了拓扑量子材料在支持高效自旋输运、稳健自旋纹理、自旋轨道力矩、反铁磁开关及超快磁动力学方面的重要性[6]、[9]、[10]。特别是含Bi、Sb、Te、Au、Hg、Pd及相关相对论性元素的体系,因其强SOC诱导的能带反转和非平庸量子相而展现出尤为显著的前景[11]、[12]。与此同时,磁性拓扑体系和反铁磁量子材料日益被认为是可扩展自旋电子学和量子信息技术的必要平台[7]、[13]。
尽管取得了快速进展,量子材料的实验发现仍从根本上受限于化学和结构空间的巨大组合复杂性。基于试错合成和密度泛函理论(DFT)筛选的传统流程计算成本高昂,不足以对亚稳态多组元体系进行穷尽探索[14]、[15]。即使是现代高通量DFT工作流程,也受限于数百万种假想化合物结构优化、电子结构计算、拓扑不变量分析及SOC能带计算的高昂代价[5]、[11]。
为解决上述挑战,人工智能(AI)、机器学习(ML)和材料信息学已迅速成为加速材料发现的变革性范式[16]、[17]、[18]。数据驱动方法现已能够自主探索化学空间、快速预测性质、进行逆组成设计以及主动学习引导优化,其规模是传统第一性原理方法无法企及的[15]、[19]。图神经网络、等变原子间势、生成模型及拓扑感知机器学习框架的最新进展,大幅拓展了机器学习引导量子材料探索的可行性[20]、[21]、[22]。
与此同时,多项研究已证明,机器学习框架能够直接从组成和结构描述符中识别具有拓扑性的化学体系,而无需完整的拓扑波函数计算[22]、[23]。Topogivity等机器学习启发式规则揭示了元素化学本身即蕴含出乎意料地强烈的拓扑行为潜在特征[23]。近期,大规模AI驱动的拓扑筛选框架已将组成描述符、对称性信息和高通量电子学分析相结合,以加速未知拓扑材料的识别及其性质预测[24]、[25]。这些进展表明,物理上有意义的拓扑优势候选空间越来越多地可通过分层机器学习引导筛选来探索,而非仅依靠穷尽的第一性原理枚举。
与此同时,通用机器学习原子间势(uMLP)通过以大幅降低的计算成本实现接近DFT水平的结构弛豫,已彻底变革了原子尺度材料模拟[26]、[27]、[28]、[29]、[30]、[15]、[20]、[21]。CHGNet和MACE等模型在化学多样性体系中提供了可扩展的亚稳态筛选能力,同时保持了具有物理意义的局部成键环境和结构能量。结合GFN2-xTB等半经验量子电子学方法[31],这些方法现在允许在以前无法触及的假想材料空间中,快速大规模探索亚稳态性、电子学软化性、半金属性、极化率及前线轨道行为。
然而,机器学习驱动的逆材料设计中一个重大的未解决挑战在于从符号化组成生成过渡到物理可实现的原子结构。许多生成框架产生的假想公式缺乏化学上有意义的晶体学嵌入、亚稳态结构实现或可存活的原子环境[15]、[32]。因此,逆设计的候选材料往往在结构优化阶段失败,或表现出物理上不合理的成键拓扑。建立化学感知的结构基础设定和亚稳态验证,对于实现物理可信的机器学习引导材料探索仍至关重要。
在本工作中,我们提出了一种分层机器学习引导的亚稳态感知工作流程,用于从逆设计组成空间中识别可能具有拓扑性和自旋电子学适用性的材料。该框架整合了化学驱动的结构基础设定、占据工程化的原子初始化、使用独立uMLP的交叉验证弛豫、存活性分析及高通量量子电子学筛选。该工作流程不直接声称确定性的拓扑相,而是优先筛选在重元素相对论化学、半金属行为、电子学软化和磁性量子材料描述符方面富集了物理上有意义的亚稳态体系。利用该方法,我们识别出一系列具有拓扑和自旋电子学量子行为强烈特征的新颖亚稳态候选材料。该工作流程建立了一种机器学习引导量子材料探索的可扩展范式,在统一的计算框架内桥接了逆组成生成、亚稳态验证、机器学习原子模拟和量子电子学筛选。与CALYPSO等晶体结构预测方法不同(后者搜索能量上有利的晶体结构),本工作流程侧重于逆组成设计和筛选。候选结构通过化学感知模板基础设定和占据工程构建,随后进行uMLP弛豫和基于xTB的电子学分析。未直接进行与CALYPSO的基准比较;此类比较将是评估两种方法互补性的有价值未来工作。
各节摘要
逆设计候选数据集
本工作流程旨在开发一种分层机器学习驱动的量子材料识别框架,用于从逆设计化学空间中识别具有结构可实现的拓扑和自旋电子学候选材料。初始约100个候选组成选自先前通过描述符-图集成学习工作流程逆设计生成的结果,靶向重元素和磁性材料[33]。候选池重点聚焦于
结构基础设定与化学可实现性
与MP数据库[35]的精确检索分析表明,生成的组成中仅有限比例存在于直接数据库条目中(表A.1),证实了逆设计工作流程成功地超越了简单循环已报道化合物的范畴。
尽管精确匹配率较低,但化学感知类似物检索表明,绝大多数生成体系仍强烈嵌入于实验上和计算上
局限与展望
尽管本工作流程有助于识别具有物理感知能力的拓扑优势和自旋电子学量子材料,但仍有若干局限性。本研究主要依赖uMLP和半经验量子电子学筛选,而非完整的SOC-DFT计算。因此,非平庸拓扑相、磁序、Berry曲率和拓扑不变量的确定性确认超出了当前工作的范围。此外,占据工程化的原子
结论
在本工作中,我们开发了一种基于机器学习的分层亚稳态感知工作流程,用于从逆设计组成空间中识别潜在的拓扑优势和自旋电子学量子材料候选者。该框架在统一的计算管道中整合了结构基础设定、占据工程化的原子初始化、交叉验证的uMLP弛豫、存活性分析及高通量量子电子学筛选。该工作流程展现了强大的
CRediT作者贡献声明
Tasneem U. Rehman:撰写——初稿、软件、方法论、形式分析、概念设计。Aadil Ahmad Ganaie:撰写——审阅与编辑、数据整理。Nasreena Yaqoob:可视化、形式分析、概念设计。Sheikh Irfan:数据整理。Ghulam Nabi Dar:监督、概念设计。
生成式AI及AI辅助技术写作过程声明
在准备本工作期间,作者使用了ChatGPT(OpenAI)和Quillbot以改善手稿的语言、语法和可读性。在使用这些工具后,作者对内容进行了审阅和编辑,并对已发表文章的内容承担全部责任。核心研究工作和分析中未使用任何AI工具。
利益冲突声明
作者声明不存在已知的竞争财务利益或个人关系,这些利益或关系可能影响本文报告的工作。
致谢
本工作得到了印度部落事务部"圣族学生高等教育国家奖学金"计划的资助(202425-NFST-JAM-00640)。
Tasneem U. Rehman|Aadil Ahmad Ganaie|Nasreena Yaqoob|Sheikh Irfan|Ghulam Nabi Dar