2-D materialen zijn atomair dun, enkellaagse films gerangschikt in een kristalstructuur, die potentiële toepassingen hebben in de volgende generatie elektronica en opto-elektronische apparaten. Ferromagnetisme (FM) in dergelijke materialen - het mechanisme waarmee ze als magneten werken - werd tot enkele jaren geleden als onwaarschijnlijk beschouwd. in 2017, wetenschappers ontdekten FM bij lage temperatuur in 2D-materialen, die heeft geleid tot aanzienlijke vooruitgang op het gebied van nanotechnologie en elektronica.

Bij lage temperaturen, ferromagnetische materialen kunnen hun magnetische eigenschappen goed behouden. Echter, de magnetische orde in dergelijke materialen wordt verstoord naarmate de temperatuur stijgt. De temperatuur waarbij materialen hun FM-eigenschappen verliezen, staat bekend als het Curiepunt. Curiepunt is daarom een ​​kritische eigenschap van ferromagnetische materialen voor praktische toepassingen. Echter, het bepalen van de Curie-temperatuur omvat een reeks zeer complexe berekeningen.

Een onderzoeksteam van het Indian Institute of Science (IISc) heeft nu een open source computercode ontwikkeld om Curie-temperaturen te schatten op basis van de kristalstructuren van materialen. De studie, gepubliceerd in npg computermaterialen, combineert informatica met behulp van open source databases en machine learning om de Curie-temperaturen van 2-D ferromagnetische (2DFM) materialen te ontdekken en te voorspellen.

Het team koos voor een drieledige aanpak. Eerst, ontwikkelden ze een volledig geautomatiseerde computercode die helpt bij het berekenen van Curie-temperaturen, waardoor handmatige heuristische berekeningen niet meer nodig zijn. Tweede, ze waren in staat om 26 2DFM-materialen op hoge temperatuur te identificeren uit grote open source-databases, inclusief enkele belangrijke magnetische materialen die tot nu toe over het hoofd zijn gezien. Deze materialen kunnen ideale kandidaten zijn voor gebruik in apparaten met hoge temperaturen.

Ten derde, het team ontwikkelde een machine learning-model om de Curie-temperatuur van materialen te voorspellen. Hoewel het model momenteel beperkte gegevens gebruikt, als het is getraind met een voldoende grote dataset van 2DFM-materialen, het zou uiteindelijk de computercode kunnen vervangen, zeggen de onderzoekers. Ze zijn van mening dat dit de praktische toepassingen van 2D magnetische materialen aanzienlijk zou helpen bevorderen.