Data-driven search for magnetocaloric materials with help of crystral structure data and first principles calculations

点击翻译按钮获取中文摘要

本研究を遂行することで、磁場5Tでの磁気エントロピー変化量0.3 J/cm3 Kを超える磁気冷凍材料を見出すに至った。この磁気冷凍材料はまだ論文報告に至っておらず、自己相互作用補正を取り入れた第一原理計算による高い磁気熱量効果の起源の議論を加えて論文化する予定である。また物質探索と並行して、以下の2つのデータ駆動アプローチを推進する研究成果を得た。１つは、機械学習による予備データや過去文献値の探索への有効活用である。目的の物理量である磁気エントロピーは材料の温度と磁場に大きく依存し、その評価には一連の磁化測定とMaxwellの関係式に基づく算出がしばしば用いられる。特に試料の磁化が温度と磁場で急峻に変化する一次転移の磁性体では、時期エントロピー評価には適切な温度・磁場測定ステップの設定を要する。従来はそのステップは試行錯誤により見いだされていたが、粗い予備データまたは先行研究や文献などを機械学習することで、実空間での試行錯誤を仮想空間でのシミュレータで行える仕組みを構築し、githubで公開するとともにDigital Discovery誌で発表した。2つめは、作成した機械学習モデルの解釈性である。SHAPと呼ばれる手法を用いることでモデルが理解した教師データの統計的傾向を人間が理解できる形で可視化することができ、これを組成記述子のライブラリともとの教師データ分布の３者を組み合わせて図示することで、物質設計の指針が得られることを見出し、現状の磁気冷凍材料に対する機械学習モデルで理解可能な事象について報告した。この論文は、STAM-Methods誌に受理された。(in press)