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

通过第一原理和机器学习解决磁性设备的权衡属性并改进功能

基本信息

批准号：
22K14290
负责人：
名和憲嗣
金额：
$ 2.66万
依托单位：
Mie University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Early-Career Scientists
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

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。

为了实现超级智能社会，需要使用Spintronics领域来发展具有各种特征的下一代旋转记忆，例如大容量，高速操作和节能。例如，在写作，存储和读取数据时，必须实现多种特征，例如大型垂直磁各向异性，小的磁阻尼常数，高磁性效应和低元素抗性，而这些特征却在许多材料系统之间具有折衷关系。这项研究旨在通过结合第一原理计算和机器学习来搜索结合多个权衡特征的磁性材料，例如电气，磁性和传导特性。今年，我们以Fermagnetic Cofe多层膜为例，获得了与第一原理计算产生的磁性特性和能量有关的物理性质数据库，并为机器学习开发了用于层次神经网络（NN）的计算程序。通常，材料和材料的数据库不足，因此需要一种预测有限数据库中未知数据的方法。因此，我们尝试使用从数据库中获得的10-30％的数据使用机器学习，并将其余的90-70％作为未知数据预测。已经引入了数据扩展和集合学习方法，以提高有限数据库的预测准确性。这导致了未知数据的预测准确性的显着提高，并且已经证实了这些方法的有用性。接下来，我们专注于垂直磁各向异性和磁性阻尼常数作为COFE多层膜的权衡特征。为了进行多目标优化，当垂直磁各向异性高并且磁阻尼常数很小时，将无量纲的量定义为最小值，并培训了NNS以学习与原子布置之间的关系。根据NN的预测，可以揭示在可以实现这两种特性的原子排列中，Fe分布在多层膜的表面界面上的集中分布中，并集中在中心中，并且对原子排列的控制对于实现这两种特性都很重要。