Solving trade-off properties and improving functionality of magnetic devices by first principles and machine learning

点击翻译按钮获取中文摘要

超スマート社会の実現に向けて、スピントロニクス分野では大容量、高速動作性、省エネルギー等の様々な特性を有する次世代スピンメモリの開発が求められている。例えばデータの書込みや保存、読取りにおいて、大きな垂直磁気異方性と小さな磁気ダンピング定数、高い磁気抵抗効果と低い素子抵抗など、複数特性の両立が不可欠である一方で、これら特性は多くの材料系でトレードオフ関係にあることが知られている。本研究では、第一原理計算と機械学習を組み合わせた手法により、電気・磁気・伝導特性など複数のトレードオフ特性を両立する磁気材料の探索を目的とする。本年度は、強磁性CoFe多層膜を例に、第一原理計算から磁気特性や生成エネルギーなどに関する物性のデータベースを取得するとともに、機械学習の階層型ニューラルネットワーク（NN）の計算プログラムを開発した。一般に、物質・材料に関するデータベースが十分でないことから、限られたデータベースから高精度に未知データを予測するアプローチが必要である。そこで、取得したデータベースのうち10~30%のデータを使って機械学習し、残り90~70%を未知データとして予測することを試みた。限られたデータベースからの予測精度を向上させるためにデータ拡張法とアンサンブル学習法を導入した。これにより未知データに対する予測精度に飛躍的な改善が見られ、これら手法の有用性を確認した。続いて、CoFe多層膜のトレードオフ特性として、垂直磁気異方性と磁気ダンピング定数に着目した。多目的最適化を行うべく、垂直磁気異方性が大きいとき、且つ、磁気ダンピング定数が小さいときに最小となるような無次元量を定義し、これと原子配列の関係をNNに学習させた。NNの予測から、両特性を両立し得る原子配列では、多層膜の表界面ではFeが、中央にはCoが集中して分布する特徴があり、原子配列の制御が両特性の両立に重要であることを明らかにした。