利用机器学习潜力与迁移学习回归方法对功能材料进行精准筛选：赫斯勒合金作为基准案例

《npj Computational Materials》：Accurate screening of functional materials with machine-learning potential and transfer-learned regressions: Heusler alloy benchmark

　　

摘要

我们提出了一种基于机器学习的高通量工作流程，用于发现功能材料。作为测试案例，我们对四元和全d型Heusler化合物进行了筛选，寻找具有较大磁晶各向异性能（E_aniso）的稳定化合物。结构优化以及形成能和凸包以上能量的计算是使用eSEN-30M-OAM原子间势进行的，而局部磁矩、声子稳定性、磁稳定性以及E_aniso的值则是通过在我们构建的DxMag Heusler数据库上训练的eSEN模型来预测的。为了提高准确性，我们采用了冻结迁移学习策略。通过机器学习高通量工作流程筛选出的候选化合物还使用了密度泛函理论进行了验证，其预测精度很高。此外，我们还对比了不同uMLIP模型的性能，分析了局部磁矩预测的准确性，并展示了通过通用原子间势的迁移学习来实现对未知元素的分析能力。