
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于密度泛函理论的机器学习用于磁致冷高熵合金的理性设计
《Nature Communications》:DFT-based machine-learning for the rational design of magnetocaloric high-entropy alloys
【字体: 大 中 小 】 时间:2026年08月27日 来源:Nature Communications 18.1
编辑推荐:
摘要高熵合金(HEA)广阔的成分空间为下一代功能材料带来了希望,但其探索受到组合瓶颈的阻碍:对于复杂无序晶格,传统的第一性原理精度计算难以承受,而黑箱机器学习(ML)缺乏物理可解释性。我们通过建立最小超胞原理来克服这一问题,表明磁结构行为是局部原子环境的涌现特性,而非长程构型
高熵合金(HEA)广阔的成分空间为下一代功能材料带来了希望,但其探索受到组合瓶颈的阻碍:对于复杂无序晶格,传统的第一性原理精度计算难以承受,而黑箱机器学习(ML)缺乏物理可解释性。我们通过建立最小超胞原理来克服这一问题,表明磁结构行为是局部原子环境的涌现特性,而非长程构型的特性。这使得一个物理信息机器学习框架成为可能,该框架逆转了传统的筛选方法,从有限的局部识别转变为全局设计空间映射,在不牺牲精度的情况下将计算时间减少了 40 – 60%。将该框架应用于 MM'X 族,揭示了一个基本的设计二元性:平均电子描述符控制基线相稳定性,而色散描述符,特别是磁矩色散,驱动临界转变响应。这一分析揭示了一种内在的稳定性与性能之间的权衡,即为了最大化转变驱动力所需的无序性,不可避免地会损害热力学稳定性。通过量化这一帕累托前沿,我们提出了一种分层调节策略,实现了相变温度与滞后性的解耦,提供了一个可扩展的范式,将 HEA 探索从偶然发现转变为理性设计。