In de materiaalkunde worden kandidaten voor nieuwe functionele materialen meestal op een proefondervindelijke manier onderzocht door middel van berekeningen, synthetische methoden en materiaalanalyse. De aanpak is echter tijdrovend en vereist expertise. Nu hebben onderzoekers uit Japan een datagestuurde benadering gebruikt om het proces van het voorspellen van nieuwe magnetische materialen te automatiseren. Door eerste-principeberekeningen, Bayesiaanse optimalisatie en monoatomaire alternerende depositie te combineren, kan de voorgestelde methode een snellere ontwikkeling van elektronische apparaten van de volgende generatie mogelijk maken.

Materiaalwetenschappers zijn voortdurend op zoek naar nieuwe "functionele materialen" met gunstige eigenschappen gericht op een bepaalde toepassing. Het vinden van nieuwe functionele magnetische materialen zou bijvoorbeeld deuren kunnen openen naar energiezuinige spintronische apparaten. In de afgelopen jaren is de ontwikkeling van spintronica-apparaten zoals magneto-resistief willekeurig toegankelijk geheugen (een elektronisch apparaat waarin een enkel magneto-resistief element is geïntegreerd als één stukje informatie) snel gevorderd, waarvoor magnetische materialen met een hoge magnetokristallijne anisotropie (MCA) vereist zijn .

Ferromagnetische materialen, die hun magnetisatie behouden zonder een extern magnetisch veld, zijn daarom van bijzonder belang als gegevensopslagsystemen. Bijvoorbeeld L 1₀ -type geordende legeringen bestaande uit twee elementen en twee perioden, zoals L 1₀ -FeCo en L 1₀ -FeNi, zijn actief bestudeerd als veelbelovende kandidaten voor functionele magnetische materialen van de volgende generatie. De combinatie van samenstellende elementen is echter uiterst beperkt en materialen met een uitgebreid elementtype, aantal en periodiciteit zijn zelden onderzocht.

Wat belemmert deze verkenning? Wetenschappers wijzen op combinatorische explosies die gemakkelijk kunnen optreden in meerlagige films, die veel tijd en moeite vergen bij de selectie van de samenstellende elementen en materiaalfabricage, als de belangrijkste reden. Bovendien is het uiterst moeilijk om de functie van MCA te voorspellen vanwege het complexe samenspel van verschillende parameters, waaronder kristalstructuur, magnetisch moment en elektronische toestand, en het conventionele protocol is grotendeels gebaseerd op vallen en opstaan. Er is dus veel ruimte en behoefte aan het ontwikkelen van een efficiënte route om nieuwe hoogwaardige magnetische materialen te ontdekken.

Op dit front heeft een team van onderzoekers uit Japan, waaronder prof. Masato Kotsugi, de heer Daigo Furuya en de heer Takuya Miyashita van de Tokyo University of Science (TUS), samen met dr. Yoshio Miura van het National Institute for Materials Science (NIMS ), is nu overgestapt op een gegevensgestuurde benadering voor het automatiseren van de voorspelling en synthese van nieuwe magnetische materialen.

In een nieuwe studie, die op 30 juni 2022 online beschikbaar werd gesteld en gepubliceerd in Science and Technology of Advanced Materials:Methods op 1 juli 2022 rapporteerde het team hun succes in de ontwikkeling van een materiaalverkenningssysteem door computationele, informatieve en experimentele wetenschappen te integreren voor magnetische materialen met een hoge MCA. Prof. Kotsugi legt uit dat ze "zich hebben gericht op kunstmatige intelligentie en deze hebben gecombineerd met computationele en experimentele wetenschap om een ​​efficiënte materiaalsynthesemethode te ontwikkelen. Er zijn veelbelovende materialen ontdekt die de menselijke verwachting te boven gaan in termen van elektronische structuur. Het zal dus de aard veranderen van materiaalkunde!"

In hun studie, die het resultaat was van gezamenlijk onderzoek door TUS en NIMS en ondersteund door JST-CREST, berekende het team MCA-energie door middel van eerste-principeberekeningen (een methode die wordt gebruikt om elektronische toestanden en fysieke eigenschappen in materialen te berekenen op basis van de wetten van kwantummechanica) en Bayesiaanse optimalisatie uitgevoerd om te zoeken naar materialen met hoge MCA-energie. Na onderzoek van het algoritme voor Bayesiaanse optimalisatie, vonden ze veelbelovende materialen vijf keer efficiënter dan via de conventionele trial-and-errr-aanpak. Deze robuuste materiaalzoekmethode was minder gevoelig voor invloeden van onregelmatige factoren zoals uitbijters en ruis en stelde het team in staat de top drie kandidaatmaterialen te selecteren (Fe/Cu/Fe/Cu), (Fe/Cu/Co/Cu) en (Fe/Co/Fe/Ni), bestaande uit ijzer (Fe), kobalt (Co), nikkel (Ni) en koper (Cu).

De top drie voorspelde materialen met de grootste MCA-energiewaarden werden vervolgens gefabriceerd via de mono-atomaire alternerende stapelmethode met behulp van de lasergestuurde gepulste depositietechniek om meerlagige magnetische materialen te creëren bestaande uit 52 lagen, namelijk [Fe/Cu/Fe/Cu]₁₃ , [Fe/Cu/Co/Cu]₁₃ , en [Fe/Co/Fe/Ni]₁₃ . Van de drie structuren, [Fe/Co/Fe/Ni]₁₃ toonde een MCA-waarde (3,74 × 10 ⁶ erg/cc) veel hoger dan die van L 1₀ -FeNi (1.30 × 10 ⁶ erg/cc).

Bovendien ontdekte het team met behulp van de tweede-orde verstoringsmethode dat MCA wordt gegenereerd in de elektronische toestand, wat niet is gerealiseerd in eerder gerapporteerde materialen. Dit getuigt van de geschiktheid van het gebruik van Bayesiaanse optimalisatie om elektronische toestanden te identificeren die waarschijnlijk onmogelijk voor te stellen zijn door menselijke ervaring en intuïtie alleen. De ontwikkelde methode kan dus autonoom zoeken naar geschikte elementen om functionele magnetische materialen te ontwerpen. "Deze techniek kan worden uitgebreid tot geavanceerde magnetische materialen met meer gecompliceerde elektronische correlaties, zoals Heusler-legeringen en spin-thermo-elektrische materialen", merkt prof. Kotsugi op. + Verder verkennen

Onderzoeksteam ontwikkelt nieuwe strategie voor het ontwerpen van thermo-elektrische materialen