基于机器学习的钙钛矿锰氧化物材料设计

ABO_(3)钙钛矿锰氧化物因成本低廉和稳定性好,已成为反铁磁体中最热门的存储器材料。提高ABO_(3)钙钛矿锰氧化物的奈尔温度(Néel temperature,T_(N)),使之在室温下呈现反铁磁性,具有重要的意义。利用超多面体方法对特征变量的重要性进行排序,进而结合机器学习算法来筛选特征变量,并构建了极端梯度回归(XGBoost)机器学习模型,搭建了ABO_(3)钙钛矿锰氧化物的T_(N)在线预报平台。利用高通量筛选找到了T_(N)预测值高于室温的候选材料(Sr_(0.7)Ce_(0.1)Sm_(0.2)MnO_(3),308.5 K),其TN比已知最高的样本还高6.37%。该研究方法有助于实验工作者选择最有希望的材料来做实验,可以加快新材料的研发和性能突破。