人工智能加速发现与设计金属-有机框架中的交替磁体性

《npj Computational Materials》：AI-accelerated discovery of altermagnetic metal-organic frameworks via interpretable machine learning

　　

摘要

交替磁体性作为一种第三类共线磁体性已经出现，但其探索在很大程度上仍然局限于无机材料。在此，我们建立了一条人工智能加速的管道，用于发现具有交替磁体性的金属-有机框架（MOFs）。通过对350个候选物的对称性引导DFT筛选，我们鉴定了六个交替磁体MOFs。随后，采用了一种两阶段的机器学习策略：首先，使用XGBoost分类器对65,578个候选物进行预筛选，将候选池缩小到145个高潜力连接体，其中DFT确认了六个新的交替磁体。基于这个丰富的数据集，我们训练了一个KNN分类器（F1 = 0.8793）和一个CatBoost回归器（R2 = 0.7732），分别用于预测交替磁体性和自旋分裂大小。SHAP分析将预测转化为设计原则：共轭骨架有利于交替磁体性，而适度的推拉基团可以增强自旋分裂。在这些原则的指导下，我们设计了三个额外的MOF候选物，均经DFT确认。总之，该工作流程共鉴定了15种交替磁体MOFs，建立了一个可推广的框架，用于加速量子材料的发现。