<p><img src="https://info.compassedu.hk/sucai/content/1669688829425/1669688829425.jpg" width="808" height="539" /></p> <p>了解晶體材料的磁性結(jié)構(gòu)對許多應用都至關(guān)重要，包括數(shù)據(jù)存儲、高分辨率成像、自旋電子學、超導和量子計算。然而，這類信息很難得到。盡管可以從中子衍射和散射研究中獲得磁性結(jié)構(gòu)，但支持這些分析的機器的數(shù)量&mdash;&mdash;以及這些設施的可用時間&mdash;&mdash;受到嚴重限制。</p> <p>&nbsp;</p> <p>因此，迄今為止，只有大約1500種通過實驗得出的材料的磁性結(jié)構(gòu)被制成了表格。研究人員也通過數(shù)值方法預測了磁性結(jié)構(gòu)，但即使是在最先進的大型超級計算機上，也需要冗長的計算。此外，隨著晶體結(jié)構(gòu)尺寸的增大，對功率的需求呈指數(shù)級增長，這些計算變得越來越昂貴。</p> <p>&nbsp;</p> <p>現(xiàn)在，麻省理工學院、哈佛大學和克萊姆森大學的研究人員&mdash;&mdash;由麻省理工學院核科學與工程助理教授Mingda Li和麻省理工學院電氣工程與計算機科學助理教授Tess Smidt領(lǐng)導&mdash;&mdash;找到了一種通過使用機器學習工具來簡化這一過程的方法。&ldquo;這可能是一種更快、更便宜的方法，&rdquo;Smidt說。</p> <p>&nbsp;</p> <p>該團隊的研究結(jié)果最近發(fā)表在《iScience》雜志上。這篇論文的一個不同尋常之處，除了它的新發(fā)現(xiàn)之外，是它的第一作者是三位麻省理工學院的本科生&mdash;&mdash;海倫娜&middot;默克、哈里&middot;海伯格和林恩&middot;阮&mdash;&mdash;加上一位博士生劉彤彤。</p> <p>&nbsp;</p> <p>Merker、Heiberger和Nguyen在2020年秋季作為一年級新生加入了這個項目，他們面臨著一個相當大的挑戰(zhàn):設計一個可以預測晶體材料磁性結(jié)構(gòu)的神經(jīng)網(wǎng)絡。然而，他們并不是從零開始，而是利用Smidt在2018年與他人共同發(fā)明的&ldquo;等變歐幾里德神經(jīng)網(wǎng)絡&rdquo;。Smidt解釋說，這種網(wǎng)絡的優(yōu)點是，&ldquo;如果晶體旋轉(zhuǎn)或平移，我們不會得到不同的磁序預測，我們知道這不會影響其磁性。&rdquo;該功能在檢查3D材料時特別有用。</p> <p>&nbsp;</p> <p><span class="h1"><strong>結(jié)構(gòu)的要素</strong></span></p> <p>&nbsp;</p> <p>麻省理工學院的研究小組利用了勞倫斯伯克利國家實驗室材料項目編制的近15萬種物質(zhì)的數(shù)據(jù)庫，該數(shù)據(jù)庫提供了有關(guān)原子在晶格中的排列的信息。該團隊利用這些輸入來評估給定材料的兩個關(guān)鍵特性:磁順序和磁傳播。</p> <p>&nbsp;</p> <p>弄清磁性順序需要將材料分為三類:鐵磁性、反鐵磁性和非磁性。鐵磁性材料中的原子就像小磁鐵一樣，有自己的北極和南極。每個原子都有一個磁矩，從它的南極指向北極。劉先生解釋說，在鐵磁性材料中，&ldquo;所有原子都以相同的方向排列，也就是所有原子產(chǎn)生的磁場的方向。&rdquo;在反鐵磁材料中，原子的磁矩指向與相鄰原子相反的方向&mdash;&mdash;以有序的模式相互抵消，整體產(chǎn)生零磁化。在非磁性材料中，所有的原子都可能是無磁性的，沒有任何磁矩?；蛘卟牧峡梢园判栽?，但是它們的磁矩指向隨機的方向，所以最終的結(jié)果，還是零磁性。</p> <p>&nbsp;</p> <p>磁傳播的概念與材料磁結(jié)構(gòu)的周期性有關(guān)。如果你把晶體想象成磚塊的三維排列，那么單位細胞就是最小的積木&mdash;&mdash;構(gòu)成單個&ldquo;磚塊&rdquo;的原子的最小數(shù)量和構(gòu)型。如果每個單元細胞的磁矩都是對齊的，麻省理工學院的研究人員就會賦予這種材料一個零的傳播值。然而，如果磁矩改變方向，因此在從一個細胞移動到下一個細胞的過程中&ldquo;傳播&rdquo;，材料就會得到一個非零的傳播值。</p> <p>&nbsp;</p> <p><span class="h1"><strong>網(wǎng)絡解決方案</strong></span></p> <p>&nbsp;</p> <p>目標就講到這里。機器學習工具如何幫助實現(xiàn)這些目標?學生們的第一步是使用材料項目數(shù)據(jù)庫的一部分來訓練神經(jīng)網(wǎng)絡，以找到材料的晶體結(jié)構(gòu)和磁性結(jié)構(gòu)之間的相關(guān)性。通過有根據(jù)的猜測和試錯，學生們還了解到，當他們不僅包括原子的晶格位置信息，還包括原子量、原子半徑、電負性(反映原子吸引電子的傾向)和偶極極化率(表明電子與原子核的距離)時，他們得到了最好的結(jié)果。在訓練過程中，大量所謂的&ldquo;權(quán)重&rdquo;被反復微調(diào)。</p> <p>&nbsp;</p> <p>&ldquo;權(quán)重就像等式y(tǒng) = mx + b中的系數(shù)m，&rdquo;海伯格解釋道。&ldquo;當然，我們使用的實際方程或算法要復雜得多，不僅只有一個系數(shù)，可能有100個;在本例中，X是輸入數(shù)據(jù)，您選擇m是為了使y得到最準確的預測。有時你不得不改變方程本身，以獲得更好的契合度。&rdquo;</p> <p>&nbsp;</p> <p>接下來是測試階段。&ldquo;權(quán)重保持原樣，&rdquo;海伯格說，&ldquo;你將得到的預測與之前建立的值(也可以在材料項目數(shù)據(jù)庫中找到)進行比較。&rdquo;</p> <p>&nbsp;</p> <p>據(jù)《iScience》雜志報道，該模型在預測磁場順序和傳播方面的平均準確率分別約為78%和74%。即使材料中含有磁性原子，預測非磁性材料順序的準確性也達到91%。</p> <p>&nbsp;</p> <p><span class="h1"><strong>規(guī)劃前方的道路</strong></span></p> <p>&nbsp;</p> <p>麻省理工學院的研究人員認為，這種方法可以應用于原子結(jié)構(gòu)難以辨別的大分子，甚至可以應用于缺乏晶體結(jié)構(gòu)的合金。Smidt說:&ldquo;我們的策略是取盡可能大的單細胞&mdash;&mdash;盡可能大的樣本&mdash;&mdash;并試圖將其近似為某種無序的晶體。&rdquo;</p> <p>&nbsp;</p> <p>作者寫道，目前的工作代表著&ldquo;解決全磁結(jié)構(gòu)確定的巨大挑戰(zhàn)&rdquo;的一步。在這種情況下，&ldquo;完整的結(jié)構(gòu)&rdquo;意味著確定&ldquo;每個原子的特定磁矩，而不是磁性順序的整體模式，&rdquo;Smidt解釋道。</p> <p>&nbsp;</p> <p>Smidt補充道:&ldquo;盡管還有一些棘手的細節(jié)需要解決，但我們已經(jīng)做好了應對這個問題的準備。這是一個面向未來的項目，但似乎是可以實現(xiàn)的。&rdquo;</p> <p>&nbsp;</p> <p>本科生們將不會參與這項工作，因為他們已經(jīng)完成了這項工作。不過，他們都很欣賞這次研究經(jīng)歷。默克說:&ldquo;能在課堂之外進行一個項目真是太棒了，它給了我們機會去創(chuàng)造一些以前不存在的令人興奮的東西。&rdquo;</p> <p>&nbsp;</p> <p>&ldquo;這項研究完全由本科生領(lǐng)導，從2020年開始，當時他們是一年級學生。在ELO(體驗學習機會)項目的支持下，以及后來博士生劉彤彤(音譯)的指導下，我們能夠?qū)⑺麄兙奂谝黄?，即使彼此相距遙遠。這項工作展示了我們?nèi)绾螌⒌谝荒甑膶W習經(jīng)驗擴展到一個真正的研究產(chǎn)品中。&rdquo;&ldquo;能夠支持這種合作和學習體驗是每個教育工作者的奮斗目標。很高興看到他們的辛勤工作和奉獻為該領(lǐng)域做出了貢獻。&rdquo;</p> <p>&nbsp;</p> <p>&ldquo;這真的是一次改變?nèi)松慕?jīng)歷，&rdquo;Nguyen贊同道。&ldquo;我覺得把計算機科學和物質(zhì)世界結(jié)合起來會很有趣。事實證明，這是一個相當不錯的選擇。&rdquo;</p> <p>&nbsp;</p> <blockquote> <p>注：本文由院校官方新聞直譯，僅供參考，不代表指南者留學態(tài)度觀點。</p> </blockquote>