数字化赋能磁热材料研究：流程链优化与创新范式构建

《Advanced Engineering Materials》：Fostering Innovation: Streamlining Magnetocaloric Materials Research by Digitalization

　　

基于磁热效应(MCE)的制冷技术可为家用及工业领域提供节能、环保的冷却解决方案，其核心机制是利用外磁场调控材料相变过程中的可逆放热与吸热特性，有望替代依赖环境有害制冷剂的传统压缩式制冷。目前磁热材料研发需对大量磁性合金体系（尤其是赫斯勒合金）进行筛选测试，产生海量非系统化数据，严重制约领域发展。研究人员提出全流程数字化方案，覆盖合成、实验、模拟至原型应用全链条。以赫斯勒合金为模型体系开展实验验证，基于OTTR技术开发语义化知识采集模板并构建本体论(Ontology)，结合非结构化数据训练预测模型以推导缺失事实、形成新假设。同时开发自动化工具加速本体结构数据录入，并建立标准化工作流，实现从第一性原理到原始数据的磁热效应快速理论及实验评估。

《Advanced Engineering Materials》刊发的这项研究针对磁热材料研发中数据碎片化、可复用性差的痛点展开系统性攻关。磁热效应(MCE)源于磁自由度与晶格自由度的强耦合，表现为绝热温变与等温熵变，自20世纪30年代用于亚开尔文制冷后，室温磁制冷再生循环直至20世纪80年代才被提出。当前研究虽已发现大量具有一级/二级相变的磁热合金，但海量实验与模拟数据缺乏统一语义描述框架，导致知识难以跨团队复用，成为新材料发现的瓶颈。德国联邦教研部(BMFTR)资助的DiProMag项目依托MaterialDigital计划，旨在通过本体论(Ontology)驱动的全流程数字化重构磁热材料研发范式。

研究人员采用三大核心技术方法：第一，基于OTTR(Reasonable Ontology Templates)构建分层模板库，通过语义媒体维基(SMW)实现领域专家友好型数据录入，复用CCO、PMDco及QUDT等现有本体确保互操作性；第二，融合物理知识与机器学习，利用Materials Project等330万篇摘要训练的Word2vec向量空间挖掘元素相似性，并提出字面量图转换方法解决知识图谱补全中数值数据利用率低的问题；第三，开发双轨数字工作流，集成电子实验室笔记本eLabFTW与Python工具链，实现振动样品磁强计(VSM)等设备的原始数据自动规范化采集，并通过pyiron集成密度泛函理论(DFT)、自旋动力学(SD)模拟及熵变计算模块。

研究结果分为四个核心板块：

3 结构迪普罗玛格本体论(DiProMag Ontology)

基于OTTR的本体工程方法论包含8个迭代步骤：通过能力问题(CQs)界定范围、设计模板头、验证文档化、构建模板体、集成公理三元组、文档化模板库、实例化与数据整合。开发的迪普罗玛格模板库涵盖成分、合成处理、样品、表征、目标五大类共40余个模板，支持从元素配比、电弧熔炼、球磨到X射线衍射(XRD)、能量色散X射线光谱(EDX)、磁性能测量的全流程语义描述。

3.2 知识图谱上的机器学习

物理知识向量空间分析显示，化学元素在Word2vec嵌入空间中按族聚类，过渡金属与镧系元素形成显著簇群；赫斯勒化合物向量空间可通过类比推理指导新材料搜索，例如发现AlGaMg替代AlBMg以优化马氏体起始温度。知识图谱补全研究揭示现有模型对数值字面量利用不足，研究人员提出三种图转换方法将字面量转化为图结构，显著提升预测性能。

4 实验结果在模板结构中的实施

块体材料方面，MnNi_0.8Co_0.2Ge_0.95Al_0.05的等场磁化数据成功通过dpm:MeasurementMagneticProperties等模板捕获，其一级磁结构相变伴随的大等温熵变ΔS与可逆熵变ΔS_rev被结构化存储。薄膜材料方面，Co₂CrAl薄膜的XRD、EDX及磁测量数据与块体共享同一本体框架，仅需扩展层状结构模板即可描述界面应变诱导的新相变。原型开发方面，通过CAD模型坐标定义传感器位置，将增材制造部件的尺寸偏差、测温点等空间变量纳入本体。

5 磁热效应联合评估数字工作流

自动数据采集与规范化模块将Quantum Design MPMS VSM的专有格式数据实时转换为符合本体结构的CSV文件，并同步至eLabFTW实验条目。理论评估工作流基于pyiron集成VASP/SPHInX进行DFT计算，提取海森堡模型交换耦合常数J_ij，驱动自研CINOLA代码完成蒙特卡洛自旋动力学模拟，获得磁化曲线M(T,B)。实验与模拟分支最终通过统一插值预处理，基于公式ΔS = ∫_Bi^B_f(?M/?T)_BdB计算磁熵变，实现跨方法结果对标。

讨论与结论部分指出，该研究建立的OTTR中心本体工程方法学与迪普罗玛格本体已开源，支持社区复用与扩展。物理知识嵌入空间与改进的知识图谱补全算法为材料属性预测提供了新工具。双轨数字工作流通过封装技术细节，显著降低实验科学家使用计算工具的门槛，推动磁热材料研发的FAIR（可查找、可访问、可互操作、可重用）数据实践。研究人员强调，随着本体数据积累，机器学习模型将更精准识别材料规律，最终实现实验与模拟的无缝融合，加速赫斯勒合金等磁热体系的创新突破。此项工作为材料科学领域的数字化转型提供了可复制的范式参考。