Credito:Università delle scienze di Tokyo
Nella scienza dei materiali, i candidati per nuovi materiali funzionali vengono generalmente esplorati in modo per tentativi ed errori attraverso calcoli, metodi sintetici e analisi dei materiali. Tuttavia, l'approccio richiede tempo e richiede esperienza. Ora, i ricercatori giapponesi hanno utilizzato un approccio basato sui dati per automatizzare il processo di previsione di nuovi materiali magnetici. Combinando i calcoli dei primi principi, l'ottimizzazione bayesiana e la deposizione alternata monoatomica, il metodo proposto può consentire uno sviluppo più rapido di dispositivi elettronici di prossima generazione.
Gli scienziati dei materiali sono costantemente alla ricerca di nuovi "materiali funzionali" con proprietà favorevoli dirette ad alcune applicazioni. Ad esempio, la ricerca di nuovi materiali magnetici funzionali potrebbe aprire le porte a dispositivi spintronici ad alta efficienza energetica. Negli ultimi anni, lo sviluppo di dispositivi spintronici come la memoria ad accesso casuale magnetoresistivo, un dispositivo elettronico in cui un singolo elemento magnetoresistivo è integrato come un bit di informazione, è progredito rapidamente, per il quale sono necessari materiali magnetici con alta anisotropia magnetocristallina (MCA). .
I materiali ferromagnetici, che mantengono la loro magnetizzazione senza un campo magnetico esterno, sono quindi di particolare interesse come sistemi di archiviazione dati. Ad esempio, L 10 -leghe ordinate di tipo composte da due elementi e due periodi, come L 10 -FeCo e L 10 -FeNi, sono stati studiati attivamente come candidati promettenti per i materiali magnetici funzionali di prossima generazione. Tuttavia, la combinazione di elementi costitutivi è estremamente limitata e raramente sono stati esplorati materiali con tipo, numero e periodicità di elementi estesi.
Cosa impedisce questa esplorazione? Gli scienziati indicano come la ragione principale le esplosioni combinatorie che possono verificarsi facilmente in film multistrato, richiedendo molto tempo e sforzi nella selezione degli elementi costitutivi e nella fabbricazione dei materiali. Inoltre, è estremamente difficile prevedere la funzione dell'MCA a causa della complessa interazione di vari parametri tra cui la struttura cristallina, il momento magnetico e lo stato elettronico, e il protocollo convenzionale si basa in gran parte su tentativi ed errori. Pertanto, c'è molto spazio e necessità di sviluppare un percorso efficiente per scoprire nuovi materiali magnetici ad alte prestazioni.
Su questo fronte, un team di ricercatori dal Giappone tra cui il Prof. Masato Kotsugi, Mr. Daigo Furuya e Mr. Takuya Miyashita della Tokyo University of Science (TUS), insieme al Dr. Yoshio Miura del National Institute for Materials Science (NIMS) ), si è ora rivolto a un approccio basato sui dati per automatizzare la previsione e la sintesi di nuovi materiali magnetici.
In un nuovo studio, che è stato reso disponibile online il 30 giugno 2022 e pubblicato in Scienza e tecnologia dei materiali avanzati:metodi il 1 luglio 2022, il team ha riportato il proprio successo nello sviluppo del sistema di esplorazione dei materiali integrando scienze computazionali, dell'informazione e sperimentali per materiali magnetici ad alto MCA. Il professor Kotsugi spiega che "si sono concentrati sull'intelligenza artificiale e l'hanno combinata con la scienza computazionale e sperimentale per sviluppare un metodo di sintesi dei materiali efficiente. Sono stati scoperti materiali promettenti oltre le aspettative umane in termini di struttura elettronica. Quindi, cambierà la natura di ingegneria dei materiali!"
Nel loro studio, che è stato il risultato di una ricerca congiunta di TUS e NIMS e supportato da JST-CREST, il team ha calcolato l'energia MCA attraverso i calcoli dei primi principi (un metodo utilizzato per calcolare gli stati elettronici e le proprietà fisiche nei materiali in base alle leggi di meccanica quantistica) ed eseguito l'ottimizzazione bayesiana per la ricerca di materiali con elevata energia MCA. Dopo aver esaminato l'algoritmo per l'ottimizzazione bayesiana, hanno trovato materiali promettenti cinque volte più efficienti rispetto all'approccio convenzionale per tentativi ed errori. Questo solido metodo di ricerca dei materiali era meno suscettibile alle influenze di fattori irregolari come valori anomali e rumore e ha consentito al team di selezionare i primi tre materiali candidati―(Fe/Cu/Fe/Cu), (Fe/Cu/Co/Cu) e (Fe/Co/Fe/Ni)―comprendente ferro (Fe), cobalto (Co), nichel (Ni) e rame (Cu).
I primi tre materiali previsti con i valori di energia MCA più elevati sono stati quindi fabbricati tramite il metodo di impilamento alternato monoatomico utilizzando la tecnica di deposizione pulsata guidata dal laser per creare materiali magnetici multistrato costituiti da 52 strati, vale a dire [Fe/Cu/Fe/Cu]13 , [Fe/Cu/Co/Cu]13 e [Fe/Co/Fe/Ni]13 . Tra le tre strutture, [Fe/Co/Fe/Ni]13 ha mostrato un valore MCA (3,74 × 10 6 erg/cc) molto al di sopra di quello di L 10 -FeNi (1,30 × 10 6 erg/cc).
Inoltre, utilizzando il metodo della perturbazione del secondo ordine, il team ha scoperto che l'MCA è generato nello stato elettronico, cosa che non è stata realizzata nei materiali riportati in precedenza. Ciò attesta l'idoneità di impiegare l'ottimizzazione bayesiana per identificare stati elettronici che è probabilmente impossibile immaginare attraverso l'esperienza umana e l'intuizione da sole. Pertanto, il metodo sviluppato può ricercare autonomamente elementi adatti per progettare materiali magnetici funzionali. "Questa tecnica è estendibile a materiali magnetici avanzati con correlazioni elettroniche più complicate, come leghe di Heusler e materiali spin-termoelettrici", osserva il Prof. Kotsugi. + Esplora ulteriormente
