1. 项目概述与核心挑战在磁电多铁性材料的研究前沿Y型六角铁氧体Ba2Me2Fe12O22因其在室温附近展现出的强磁电耦合效应而备受瞩目。这类材料的核心魅力在于其内部的非共线磁结构如横向圆锥相能够通过逆Dzyaloshinskii-Moriya相互作用或自旋流机制诱导产生电极化从而实现电场控制磁性或磁场控制电极化的神奇功能这在下一代低功耗存储器、传感器和射频器件中潜力巨大。然而一个长期困扰研究者的“天花板”是大多数已报道的Y型六角铁氧体其非共线磁有序温度TNC普遍偏低往往远低于室温。这意味着要实现器件的实际应用要么得在低温下工作要么需要施加极高的磁场这无疑极大地限制了其工程化前景。传统的材料优化方法比如基于经验的离子掺杂用Sr部分替代Ba用Co、Zn、Al等替代Fe或Mg位点本质上是一种“试错法”。研究者需要合成大量不同成分的样品逐一测量其TNC过程耗时、费力且成本高昂。更棘手的是材料的性能如TNC与多种掺杂元素的种类、含量之间存在高度非线性的复杂关系仅凭物理直觉和有限的经验很难在浩瀚的成分空间中精准定位到那个性能最优的“甜点”。我们这项工作的出发点正是要打破这种低效的范式。我们思考能否利用当下火热的数据驱动和机器学习方法从已发表的实验数据中“学习”出成分与TNC之间的隐藏规律建立一个可靠的预测模型从而像拥有“材料导航图”一样直接指引我们合成出高TNC的新材料答案是肯定的而我们选择的核心工具是一种名为SISSO确定独立筛选与稀疏算子的机器学习算法。2. 核心思路为何选择SISSO进行材料描述符挖掘面对“如何从成分预测TNC”这个问题机器学习领域有众多算法可选如神经网络、支持向量机、随机森林等。我们最终选择SISSO是经过深思熟虑的主要基于其在材料科学领域的两个独特优势这直接关系到我们项目的成败。2.1 追求物理可解释性而非“黑箱”预测神经网络等模型虽然预测精度可能很高但其内部如同一个“黑箱”我们很难理解它到底是根据材料的哪些内在特性做出判断的。这对于材料设计是致命的因为如果我们不知道性能提升的物理根源就无法形成普适性的设计原则也无法对模型的预测结果建立信任。SISSO的核心思想不同它致力于从一系列基础的原子特征如原子序数、质量、电负性、离子半径、元素含量等出发通过数学运算符加、减、乘、除、指数、对数、绝对值等的组合自动构建出成千上万个候选的“描述符”。然后它通过一套严格的筛选和稀疏化流程找出那个与目标属性此处为TNC相关性最高、同时形式又尽可能简洁的数学表达式。这个最终得到的描述符例如我们工作中得到的T_NC 70.715 × [|n_Co n_f - |n_Co - n_Sr|| - |n_Ba 2 - n_Mg - n_Co - n_Sr|] 294.42虽然看起来复杂但其每一项都有明确的物理含义对应着具体的元素含量。这使得我们能够“解读”这个公式哪些元素组合对TNC是正向贡献哪些是负向是否存在最优的元素比例这种可解释性极大地增强了我们设计新材料的信心也让我们对Y型六角铁氧体中影响TNC的物理机制有了更深刻的认识。2.2 应对小样本数据的卓越能力材料科学实验数据的一个典型特点是“小而贵”。我们能够从文献中收集到的、具有明确TNC数据的BaMgFeO基Y型六角铁氧体样品总共只有83个。对于动辄需要成千上万训练样本的深度神经网络来说这点数据量极易导致过拟合即模型完美“记住”了训练数据但面对新的成分预测时却一塌糊涂。SISSO算法通过其“稀疏化”特性能够有效地防止过拟合。它不会构建一个极其复杂、参数众多的模型去强行拟合所有数据点而是寻找一个用最少变量、最简单数学关系就能抓住数据主要规律的模型。这种特性使其在小数据集上表现尤为稳健非常适合我们当前的研究场景。实操心得数据收集与清洗是关键第一步在使用任何机器学习方法前高质量的数据集是基石。我们从超过50篇文献中手动提取了83个不同成分样品的精确化学式和对应的TNC值。这个过程需要极度仔细统一标准确保所有TNC值均来自磁化强度-温度M-T曲线或介电常数-温度曲线上明确的异常峰且测量条件如施加的磁场尽可能一致或可比较。处理缺失与异常对于同一成分有多个报道值的情况我们取平均值或采用最广泛引用的值。对于明显偏离主流趋势的离群点需要回溯原始文献检查其样品质量如是否为单晶、纯度如何或测量方法是否有特殊之处谨慎决定是否纳入训练集。特征工程准备我们将每个样品的化学式如 Ba₁.₅Sr₀.₅Mg₂Fe₁₂O₂₂转化为一组特征向量[n_Ba1.5 n_Sr0.5 n_Mg2 n_Fe12 n_O22 n_Co0 n_Zn0 n_Al0 …]。这里n代表该元素的化学计量数。这就是SISSO算法所需的原始输入特征。3. 数据驱动下的物理洞察从相关性分析到描述符建立在将数据丢给SISSO算法之前我们先进行了一番传统的统计分析这不仅能帮助我们理解数据也能为后续机器学习结果提供物理佐证。3.1 皮尔逊相关性分析的启示我们计算了每种掺杂元素含量与TNC之间的皮尔逊相关系数。结果非常直观且有启发性Ba/Sr位点Sr的掺杂量与TNC呈正相关而Ba呈负相关。但有趣的是最高的TNC并非出现在纯Sr或纯Ba的端点而是出现在Ba/Sr比例接近1:1的中间成分区域。这暗示着A位离子尺寸的适度差异Ba²⁺较大Sr²⁺较小对晶格应力和超交换相互作用产生了微妙而积极的影响。Mg位点2离子Co和Mg表现出强烈的正相关性是提升TNC的“功臣”。Zn和Ni则呈现负相关是“拖后腿”的。这个结果挑战了简单的直觉——Ni²⁺也是磁性离子为何反而不利深入晶体场理论可知Ni²⁺倾向于占据八面体晶位如3aVI 18hVI这些位置位于磁块内部其主要作用是增强块内的磁各向异性反而可能“锁死”自旋不利于在块边界形成非共线排列。而Co²⁺则偏爱占据L和S磁块边界的6cVI位点它的强自旋-轨道耦合能显著调制边界处的超交换作用这正是稳定非共线磁结构的关键。Fe位点3离子Al³⁺的掺杂显示出明确的正相关性。我们的前期实验表明Al³⁺优先取代位于L/S磁块边界、具有较大轨道磁矩的Fe³⁺。这种取代精细地调节了边界处的磁各向异性从而提升了TNC。至于Cr、Mn、Ni等3离子由于实验数据不足它们在模型中的影响尚不明确但理论上它们可能引入氧空位影响样品电导率这是后续研究需要注意的。3.2 SISSO模型的构建与最优描述符的诞生基于上述83组数据我们启动了SISSO训练。算法从最简单的元素含量特征开始运用运算符集合 F {, –, ×, /, exp, log, | |, ^0.5, ^-1, ^2, ^3} 进行组合生成了超过10¹⁰个复杂度为3的候选特征。经过“确定独立筛选”步骤保前8万个相关性强特征后再通过“稀疏算子”进行回归最终筛选出预测误差最小、物理意义最清晰的描述符即前文提到的公式(1)。这个描述符的预测能力非常出色其计算值与83个实验值的皮尔逊相关系数超过了90%平均绝对误差MAE为37.1 K均方根误差RMSE为45.6 K。考虑到材料合成与测量中固有的波动这个精度已经足以可靠地指导新材料探索。图1(c)展示的计算值与实验值散点图数据点紧密分布在对角线两侧直观地证明了模型的有效性。3.3 从描述符到设计规则三条“黄金法则”解读这个机器学习给出的描述符我们可以提炼出三条用于设计高TNC Y型六角铁氧体的实用规则优选Mg和Co作为2离子在Mg位点应最大化Co和Mg的含量避免使用Zn和Ni。锁定Ba:Sr ≈ 1:1A位阳离子采用等比例的Ba和Sr是最佳选择。在Fe位点引入Al用Al³⁺部分取代Fe³⁺且优先取代位于磁块边界6cVI位的Fe³⁺对提升TNC有积极效果。这三条规则与之前相关性分析的物理图像完全自洽将机器学习的“数据洞察”转化为了可操作的“化学智慧”。4. 目标材料的预测、合成与实验验证有了强大的预测模型和清晰的设计规则我们不再需要盲目试错。我们通过蒙特卡洛模拟在成分空间中进行全局搜索寻找能使描述符公式(1)输出最大TNC值的元素组合。在约束了Al对Fe的最大取代量基于晶体化学稳定性考虑后模型最终指向了一个“冠军”成分BaSrMg₀.₂₈Co₁.₇₂Fe₁₀Al₂O₂₂BSMCFAO其预测TNC高达约507 K。4.1 多晶样品的固相反应合成预测之后关键的一步是通过实验来验证。我们采用标准的固相反应法来制备BSMCFAO多晶样品。原料称量与混合按照化学计量比精确称量BaCO₃、SrCO₃、MgO、Co₂O₃、Al₂O₃和Fe₂O₃粉末。将其置于玛瑙研钵中加入适量乙醇研磨混合至少6小时确保达到原子尺度的均匀混合。预烧煅烧将混合均匀的粉末在空气气氛下于1000°C煅烧12小时。此步骤目的是使碳酸盐分解并初步形成所需的六角铁氧体相。压片与烧结将预烧后的粉体再次研磨然后用压片机压制成圆柱形坯体。在空气气氛下于1200°C进行最终烧结12小时以促进晶粒生长和致密化形成主相。退火处理关键步骤Y型六角铁氧体尤其是含Co的样品容易因氧缺失而产生较高的电导率这会给后续的电学测量如介电、磁电电流带来巨大困难导致无法测到真实的极化信号。为此我们将烧结后的样品在流动氧气气氛中于900°C退火长达8天然后以50°C/h的速率缓慢冷却至室温。这个漫长的过程旨在尽可能补充氧含量提高样品的电阻率。注意事项退火工艺对电学性能的决定性影响这是本实验中最容易踩坑的环节。如果退火时间不足或气氛不纯样品会呈现半导体甚至类金属导电特性。在测量磁电电流时漏电流会完全淹没微弱的磁电信号。我们的经验是对于含Co的Y型铁氧体氧气退火是必须的且时间不能短于5-7天。退火后务必用高阻计测试样品的电阻率理想情况应高于10^8 Ω·cm才能进行可靠的极化测量。4.2 结构、磁性与电学性能表征物相与成分验证XRD EDSX射线衍射图谱显示样品为纯的Y型六角铁氧体相未检测到BaFe₂O₄或α-Fe₂O₃等常见杂质的特征峰。EDS能谱分析给出的各元素原子百分比与理论化学计量比高度吻合证实了我们成功合成了目标成分。磁性测量揭示相变MPMS使用超导量子干涉磁强计测量了磁化强度随温度M-T和磁场M-H的变化。M-T曲线图2揭示了三个关键温度点T₁ ≈ 362 K对应从混合圆锥态或横向圆锥交替纵向圆锥向proper screw相的转变。T_NC ≈ 568 K对应从proper screw相向共线亚铁磁相的转变即非共线磁有序的消失温度。这个值显著高于预测的507 K并且突破了此前文献报道的430 K的纪录达到了惊人的568 K。T_C ≈ 735 K样品的居里温度即亚铁磁有序完全消失、转变为顺磁相的温度。 M-H曲线在低温下如10K表现出典型的锥形磁结构特征在低场下磁化强度快速上升随后逐渐趋于饱和。通过饱和磁化强度可以估算出锥角约为43°与已知体系相符。介电与磁电效应验证PPMS我们在物理性质测量系统上集成了LCR表和静电计测量了介电常数ε_r和磁电电流J_ME随磁场的变化。磁介电效应如图3(e)-(h)所示在零场附近ε_r呈现一个尖锐的峰值随着磁场增大该峰值迅速减弱并消失。这种强烈的磁介电效应是横向圆锥相产生铁电性的直接证据。重要的是这一效应在高达380 K时依然清晰可见强有力地证明了非共线磁结构及由此产生的铁电性在T₁362 K以上、直至接近T_NC的宽温区内稳定存在。磁电极化翻转通过积分磁电电流得到的P-H曲线图3(i)-(l)显示在100 K和83 Oe的小磁场下电极化能够完全翻转证实了零场下横向圆锥相的存在。在250 K时极化虽不能完全翻转但能在磁场循环后恢复原值表明零场下以交替纵向圆锥相为主。由于样品电阻率限制我们施加的极化电场43.5 kV/m远低于同类研究通常700 kV/m导致测得的最大极化值~3 μC/m²和磁电系数α_max ≈ 44.4 ps/m 100K偏低。但这足以证明该成分具备本征的磁电耦合效应。若能获得高质量单晶其性能有望大幅提升。5. 结果讨论与机理深化实验不仅验证了预测还带来了超出预期的惊喜T_NC实测568K 预测507K并引发了更深入的思考。5.1 描述符的简化与普适性拓展如果我们固定描述符中 n_Ba n_Sr 1即Ba:Sr1:1并令 n_Co 1那么复杂的描述符公式(1)可以简化为T_NC 70.715 × [(n_f 1) - (n_Zn n_Ni)] 294.42(公式2) 这个简化形式具有更清晰的物理意义TNC主要随着Fe位被Al等元素取代量n_f的增加而线性增加同时受到Mg位点上Zn和Ni含量的线性抑制。这直接印证了我们之前总结的设计规则。更重要的是它预言了BaSrMg_xCo_(2-x)Fe_10Al_2O_22 (x 1)这一系列成分都可能具有高TNC为后续的材料组合优化打开了新的空间。5.2 性能瓶颈分析与未来优化方向尽管BSMCFAO的TNC取得了突破但其多晶样品的磁电系数仍然较低。这主要归因于两个因素多晶本征限制多晶样品由无数随机取向的晶粒组成其净磁电响应是各个晶粒响应的矢量平均远低于单晶沿特定方向的值。高漏电流问题即使经过长时间氧退火含Co体系的电阻率仍是挑战。漏电流会分流磁电电流导致测量值偏低。因此未来的工作将集中在两个方向单晶生长尝试采用助溶剂法或浮区法生长BSMCFAO单晶。单晶样品能完全消除晶界影响沿最优晶体学方向测量有望获得数量级提升的磁电系数真正展现该成分的潜力。Fe位多元掺杂探索我们的模型因数据缺乏未能清晰区分Al、Cr、Mn、Ni在Fe位的作用。这些离子具有不同的离子半径、磁矩和价态可能对磁各向异性和电导率产生差异化影响。系统研究这些元素的掺杂有望在保持高TNC的同时进一步优化材料的绝缘性和磁电响应。5.3 机器学习在材料研发中的工作流总结通过本项目我们可以梳理出一条高效的材料研发机器学习闭环路径问题定义与数据收集明确目标性能如高TNC从文献和实验中系统收集成分-性能数据。特征工程与模型选择根据材料知识构建初始特征如元素含量、离子半径、电负性等选择适合小样本、高可解释性的算法如SISSO。模型训练与描述符提取训练模型获得最优描述符并解读其物理含义形成设计规则。预测与实验验证利用模型预测最优成分并开展合成与表征实验。反馈与迭代将新的实验数据无论成功与否补充到原始数据库中重新训练模型使其预测能力持续进化。本工作中BSMCFAO的成功就可以作为新的高质量数据点反哺模型。6. 常见问题与实验技巧实录在实际操作中从计算预测到最终获得可靠数据会遇到一系列典型问题。这里分享一些我们的排查经验和技巧。6.1 合成与处理环节问题现象可能原因排查方法与解决方案XRD显示杂相多1. 原料混合不均匀。2. 煅烧或烧结温度/时间不足。3. 化学计量比计算或称量错误。1.延长研磨时间使用行星球磨机替代手工研磨确保混合均匀。2.优化热处理制度进行差热分析DTA确定相形成温度。可尝试阶梯烧结如1100°C - 1200°C。3.复核计算检查原料纯度特别是碳酸盐的吸水情况使用万分之一天平精确称量。样品电阻率低无法测极化1. 氧空位过多尤其是含Co、Mn样品。2. 样品致密度低存在孔隙。1.强制氧化退火在流动高纯氧气99.999%中退火时间需足够长5天慢冷50°C/h。2.提高烧结密度适当提高烧结温度或采用热压烧结。可在粉末中加入少量助烧结剂需评估对性能的影响。3.电极制备使用金或铂浆料制作电极并在适当温度下烧结以确保良好欧姆接触避免电极本身引入漏电。磁化曲线异常相变不明显1. 样品磁畴未饱和或历史效应。2. 测量时温度/磁场扫描速率过快。3. 样品中存在强磁杂质相。1.施加磁场历史在测量M-T前先在最低温如10K施加一个强磁场如50 kOe以饱和磁化确立统一的初始磁状态如横向圆锥相然后再降至测量场。2.慢速扫描降低温度扫描速率如1-2 K/min特别是在相变温度附近。3.结合微分曲线绘制dM/dT-T曲线相变点对应峰值或拐点比原始M-T曲线更灵敏。6.2 测量与数据分析环节问题现象可能原因排查方法与解决方案介电常数-磁场曲线无峰值或很弱1. 测量频率不当。2. 电极接触不良或存在界面层。3. 磁场方向与电场方向不垂直对于面内极化。1.频率扫描在固定温度/磁场下测量ε_r随频率的变化选择介电损耗最小、信号稳定的频率点通常为100 kHz - 1 MHz进行变场测量。2.改善电极确保电极覆盖均匀无裂纹。可尝试蒸镀金属薄膜电极。3.校准方向对于多晶样品虽无绝对单轴性但应确保外加磁场方向与施加电场的平面垂直H⊥E这是测量面内极化相关介电响应的标准配置。磁电电流信号微弱噪声大1. 样品漏电流大同前。2. 电磁干扰。3. 积分参数设置不当。1.屏蔽与接地将样品杆和测量引线置于金属屏蔽罩内确保系统良好单点接地。2.选用高阻抗静电计使用如Keithley 6517B这类输入阻抗极高的静电计测量位移电流。3.优化积分流程在扫描磁场前必须进行充分的电极化加E场和退极化短路放电步骤。积分时间常数需设置合理太短会引入噪声太长会平滑掉真实信号。建议先用已知的铁电标准样品如PZT校准整个测量系统。机器学习预测结果与实验偏差大1. 训练数据质量差或数量不足。2. 描述符过拟合或未包含关键物理特征。3. 合成样品未达到预测成分的平衡态。1.扩充与清洗数据持续收集高质量、测量条件统一的文献数据。对离群点进行严格甄别。2.引入更多特征除了元素含量尝试加入离子半径、电负性、键长、晶格参数等衍生特征重新运行SISSO。3.严格表征确保合成的样品是单相、成分均匀的。对于预测的最优成分可以尝试不同的烧结/退火工艺以逼近其热力学平衡态。回顾整个项目从最初面对海量掺杂可能性的茫然到通过机器学习凝练出三条简洁的设计法则最终在实验中获得超越预期的验证这条“数据驱动设计-实验验证”的路径展现出了强大的生命力。它不仅仅是为了找到一个高性能材料更重要的是这个过程加深了我们对Y型六角铁氧体中化学成分-微观结构-磁电性能之间复杂关联的理解。对于后来者如果你想在自己的材料体系中使用类似方法我的核心建议是始于数据忠于物理成于实验。花在数据收集和清洗上的时间绝不会白费对机器学习模型给出的结果一定要追问其物理根源而最激动人心的时刻永远是你在实验室里看到预测的性能被真实测量到的那一刻。BSMCFAO将TNC提升到568K让我们看到了室温单相多铁性器件真正的曙光而下一步攻克单晶生长和漏电问题将是把这份曙光变为现实的关键一战。
SISSO算法驱动Y型六角铁氧体室温磁电性能突破
发布时间：2026/5/24 12:45:10
1. 项目概述与核心挑战在磁电多铁性材料的研究前沿Y型六角铁氧体Ba2Me2Fe12O22因其在室温附近展现出的强磁电耦合效应而备受瞩目。这类材料的核心魅力在于其内部的非共线磁结构如横向圆锥相能够通过逆Dzyaloshinskii-Moriya相互作用或自旋流机制诱导产生电极化从而实现电场控制磁性或磁场控制电极化的神奇功能这在下一代低功耗存储器、传感器和射频器件中潜力巨大。然而一个长期困扰研究者的“天花板”是大多数已报道的Y型六角铁氧体其非共线磁有序温度TNC普遍偏低往往远低于室温。这意味着要实现器件的实际应用要么得在低温下工作要么需要施加极高的磁场这无疑极大地限制了其工程化前景。传统的材料优化方法比如基于经验的离子掺杂用Sr部分替代Ba用Co、Zn、Al等替代Fe或Mg位点本质上是一种“试错法”。研究者需要合成大量不同成分的样品逐一测量其TNC过程耗时、费力且成本高昂。更棘手的是材料的性能如TNC与多种掺杂元素的种类、含量之间存在高度非线性的复杂关系仅凭物理直觉和有限的经验很难在浩瀚的成分空间中精准定位到那个性能最优的“甜点”。我们这项工作的出发点正是要打破这种低效的范式。我们思考能否利用当下火热的数据驱动和机器学习方法从已发表的实验数据中“学习”出成分与TNC之间的隐藏规律建立一个可靠的预测模型从而像拥有“材料导航图”一样直接指引我们合成出高TNC的新材料答案是肯定的而我们选择的核心工具是一种名为SISSO确定独立筛选与稀疏算子的机器学习算法。2. 核心思路为何选择SISSO进行材料描述符挖掘面对“如何从成分预测TNC”这个问题机器学习领域有众多算法可选如神经网络、支持向量机、随机森林等。我们最终选择SISSO是经过深思熟虑的主要基于其在材料科学领域的两个独特优势这直接关系到我们项目的成败。2.1 追求物理可解释性而非“黑箱”预测神经网络等模型虽然预测精度可能很高但其内部如同一个“黑箱”我们很难理解它到底是根据材料的哪些内在特性做出判断的。这对于材料设计是致命的因为如果我们不知道性能提升的物理根源就无法形成普适性的设计原则也无法对模型的预测结果建立信任。SISSO的核心思想不同它致力于从一系列基础的原子特征如原子序数、质量、电负性、离子半径、元素含量等出发通过数学运算符加、减、乘、除、指数、对数、绝对值等的组合自动构建出成千上万个候选的“描述符”。然后它通过一套严格的筛选和稀疏化流程找出那个与目标属性此处为TNC相关性最高、同时形式又尽可能简洁的数学表达式。这个最终得到的描述符例如我们工作中得到的T_NC 70.715 × [|n_Co n_f - |n_Co - n_Sr|| - |n_Ba 2 - n_Mg - n_Co - n_Sr|] 294.42虽然看起来复杂但其每一项都有明确的物理含义对应着具体的元素含量。这使得我们能够“解读”这个公式哪些元素组合对TNC是正向贡献哪些是负向是否存在最优的元素比例这种可解释性极大地增强了我们设计新材料的信心也让我们对Y型六角铁氧体中影响TNC的物理机制有了更深刻的认识。2.2 应对小样本数据的卓越能力材料科学实验数据的一个典型特点是“小而贵”。我们能够从文献中收集到的、具有明确TNC数据的BaMgFeO基Y型六角铁氧体样品总共只有83个。对于动辄需要成千上万训练样本的深度神经网络来说这点数据量极易导致过拟合即模型完美“记住”了训练数据但面对新的成分预测时却一塌糊涂。SISSO算法通过其“稀疏化”特性能够有效地防止过拟合。它不会构建一个极其复杂、参数众多的模型去强行拟合所有数据点而是寻找一个用最少变量、最简单数学关系就能抓住数据主要规律的模型。这种特性使其在小数据集上表现尤为稳健非常适合我们当前的研究场景。实操心得数据收集与清洗是关键第一步在使用任何机器学习方法前高质量的数据集是基石。我们从超过50篇文献中手动提取了83个不同成分样品的精确化学式和对应的TNC值。这个过程需要极度仔细统一标准确保所有TNC值均来自磁化强度-温度M-T曲线或介电常数-温度曲线上明确的异常峰且测量条件如施加的磁场尽可能一致或可比较。处理缺失与异常对于同一成分有多个报道值的情况我们取平均值或采用最广泛引用的值。对于明显偏离主流趋势的离群点需要回溯原始文献检查其样品质量如是否为单晶、纯度如何或测量方法是否有特殊之处谨慎决定是否纳入训练集。特征工程准备我们将每个样品的化学式如 Ba₁.₅Sr₀.₅Mg₂Fe₁₂O₂₂转化为一组特征向量[n_Ba1.5 n_Sr0.5 n_Mg2 n_Fe12 n_O22 n_Co0 n_Zn0 n_Al0 …]。这里n代表该元素的化学计量数。这就是SISSO算法所需的原始输入特征。3. 数据驱动下的物理洞察从相关性分析到描述符建立在将数据丢给SISSO算法之前我们先进行了一番传统的统计分析这不仅能帮助我们理解数据也能为后续机器学习结果提供物理佐证。3.1 皮尔逊相关性分析的启示我们计算了每种掺杂元素含量与TNC之间的皮尔逊相关系数。结果非常直观且有启发性Ba/Sr位点Sr的掺杂量与TNC呈正相关而Ba呈负相关。但有趣的是最高的TNC并非出现在纯Sr或纯Ba的端点而是出现在Ba/Sr比例接近1:1的中间成分区域。这暗示着A位离子尺寸的适度差异Ba²⁺较大Sr²⁺较小对晶格应力和超交换相互作用产生了微妙而积极的影响。Mg位点2离子Co和Mg表现出强烈的正相关性是提升TNC的“功臣”。Zn和Ni则呈现负相关是“拖后腿”的。这个结果挑战了简单的直觉——Ni²⁺也是磁性离子为何反而不利深入晶体场理论可知Ni²⁺倾向于占据八面体晶位如3aVI 18hVI这些位置位于磁块内部其主要作用是增强块内的磁各向异性反而可能“锁死”自旋不利于在块边界形成非共线排列。而Co²⁺则偏爱占据L和S磁块边界的6cVI位点它的强自旋-轨道耦合能显著调制边界处的超交换作用这正是稳定非共线磁结构的关键。Fe位点3离子Al³⁺的掺杂显示出明确的正相关性。我们的前期实验表明Al³⁺优先取代位于L/S磁块边界、具有较大轨道磁矩的Fe³⁺。这种取代精细地调节了边界处的磁各向异性从而提升了TNC。至于Cr、Mn、Ni等3离子由于实验数据不足它们在模型中的影响尚不明确但理论上它们可能引入氧空位影响样品电导率这是后续研究需要注意的。3.2 SISSO模型的构建与最优描述符的诞生基于上述83组数据我们启动了SISSO训练。算法从最简单的元素含量特征开始运用运算符集合 F {, –, ×, /, exp, log, | |, ^0.5, ^-1, ^2, ^3} 进行组合生成了超过10¹⁰个复杂度为3的候选特征。经过“确定独立筛选”步骤保前8万个相关性强特征后再通过“稀疏算子”进行回归最终筛选出预测误差最小、物理意义最清晰的描述符即前文提到的公式(1)。这个描述符的预测能力非常出色其计算值与83个实验值的皮尔逊相关系数超过了90%平均绝对误差MAE为37.1 K均方根误差RMSE为45.6 K。考虑到材料合成与测量中固有的波动这个精度已经足以可靠地指导新材料探索。图1(c)展示的计算值与实验值散点图数据点紧密分布在对角线两侧直观地证明了模型的有效性。3.3 从描述符到设计规则三条“黄金法则”解读这个机器学习给出的描述符我们可以提炼出三条用于设计高TNC Y型六角铁氧体的实用规则优选Mg和Co作为2离子在Mg位点应最大化Co和Mg的含量避免使用Zn和Ni。锁定Ba:Sr ≈ 1:1A位阳离子采用等比例的Ba和Sr是最佳选择。在Fe位点引入Al用Al³⁺部分取代Fe³⁺且优先取代位于磁块边界6cVI位的Fe³⁺对提升TNC有积极效果。这三条规则与之前相关性分析的物理图像完全自洽将机器学习的“数据洞察”转化为了可操作的“化学智慧”。4. 目标材料的预测、合成与实验验证有了强大的预测模型和清晰的设计规则我们不再需要盲目试错。我们通过蒙特卡洛模拟在成分空间中进行全局搜索寻找能使描述符公式(1)输出最大TNC值的元素组合。在约束了Al对Fe的最大取代量基于晶体化学稳定性考虑后模型最终指向了一个“冠军”成分BaSrMg₀.₂₈Co₁.₇₂Fe₁₀Al₂O₂₂BSMCFAO其预测TNC高达约507 K。4.1 多晶样品的固相反应合成预测之后关键的一步是通过实验来验证。我们采用标准的固相反应法来制备BSMCFAO多晶样品。原料称量与混合按照化学计量比精确称量BaCO₃、SrCO₃、MgO、Co₂O₃、Al₂O₃和Fe₂O₃粉末。将其置于玛瑙研钵中加入适量乙醇研磨混合至少6小时确保达到原子尺度的均匀混合。预烧煅烧将混合均匀的粉末在空气气氛下于1000°C煅烧12小时。此步骤目的是使碳酸盐分解并初步形成所需的六角铁氧体相。压片与烧结将预烧后的粉体再次研磨然后用压片机压制成圆柱形坯体。在空气气氛下于1200°C进行最终烧结12小时以促进晶粒生长和致密化形成主相。退火处理关键步骤Y型六角铁氧体尤其是含Co的样品容易因氧缺失而产生较高的电导率这会给后续的电学测量如介电、磁电电流带来巨大困难导致无法测到真实的极化信号。为此我们将烧结后的样品在流动氧气气氛中于900°C退火长达8天然后以50°C/h的速率缓慢冷却至室温。这个漫长的过程旨在尽可能补充氧含量提高样品的电阻率。注意事项退火工艺对电学性能的决定性影响这是本实验中最容易踩坑的环节。如果退火时间不足或气氛不纯样品会呈现半导体甚至类金属导电特性。在测量磁电电流时漏电流会完全淹没微弱的磁电信号。我们的经验是对于含Co的Y型铁氧体氧气退火是必须的且时间不能短于5-7天。退火后务必用高阻计测试样品的电阻率理想情况应高于10^8 Ω·cm才能进行可靠的极化测量。4.2 结构、磁性与电学性能表征物相与成分验证XRD EDSX射线衍射图谱显示样品为纯的Y型六角铁氧体相未检测到BaFe₂O₄或α-Fe₂O₃等常见杂质的特征峰。EDS能谱分析给出的各元素原子百分比与理论化学计量比高度吻合证实了我们成功合成了目标成分。磁性测量揭示相变MPMS使用超导量子干涉磁强计测量了磁化强度随温度M-T和磁场M-H的变化。M-T曲线图2揭示了三个关键温度点T₁ ≈ 362 K对应从混合圆锥态或横向圆锥交替纵向圆锥向proper screw相的转变。T_NC ≈ 568 K对应从proper screw相向共线亚铁磁相的转变即非共线磁有序的消失温度。这个值显著高于预测的507 K并且突破了此前文献报道的430 K的纪录达到了惊人的568 K。T_C ≈ 735 K样品的居里温度即亚铁磁有序完全消失、转变为顺磁相的温度。 M-H曲线在低温下如10K表现出典型的锥形磁结构特征在低场下磁化强度快速上升随后逐渐趋于饱和。通过饱和磁化强度可以估算出锥角约为43°与已知体系相符。介电与磁电效应验证PPMS我们在物理性质测量系统上集成了LCR表和静电计测量了介电常数ε_r和磁电电流J_ME随磁场的变化。磁介电效应如图3(e)-(h)所示在零场附近ε_r呈现一个尖锐的峰值随着磁场增大该峰值迅速减弱并消失。这种强烈的磁介电效应是横向圆锥相产生铁电性的直接证据。重要的是这一效应在高达380 K时依然清晰可见强有力地证明了非共线磁结构及由此产生的铁电性在T₁362 K以上、直至接近T_NC的宽温区内稳定存在。磁电极化翻转通过积分磁电电流得到的P-H曲线图3(i)-(l)显示在100 K和83 Oe的小磁场下电极化能够完全翻转证实了零场下横向圆锥相的存在。在250 K时极化虽不能完全翻转但能在磁场循环后恢复原值表明零场下以交替纵向圆锥相为主。由于样品电阻率限制我们施加的极化电场43.5 kV/m远低于同类研究通常700 kV/m导致测得的最大极化值~3 μC/m²和磁电系数α_max ≈ 44.4 ps/m 100K偏低。但这足以证明该成分具备本征的磁电耦合效应。若能获得高质量单晶其性能有望大幅提升。5. 结果讨论与机理深化实验不仅验证了预测还带来了超出预期的惊喜T_NC实测568K 预测507K并引发了更深入的思考。5.1 描述符的简化与普适性拓展如果我们固定描述符中 n_Ba n_Sr 1即Ba:Sr1:1并令 n_Co 1那么复杂的描述符公式(1)可以简化为T_NC 70.715 × [(n_f 1) - (n_Zn n_Ni)] 294.42(公式2) 这个简化形式具有更清晰的物理意义TNC主要随着Fe位被Al等元素取代量n_f的增加而线性增加同时受到Mg位点上Zn和Ni含量的线性抑制。这直接印证了我们之前总结的设计规则。更重要的是它预言了BaSrMg_xCo_(2-x)Fe_10Al_2O_22 (x 1)这一系列成分都可能具有高TNC为后续的材料组合优化打开了新的空间。5.2 性能瓶颈分析与未来优化方向尽管BSMCFAO的TNC取得了突破但其多晶样品的磁电系数仍然较低。这主要归因于两个因素多晶本征限制多晶样品由无数随机取向的晶粒组成其净磁电响应是各个晶粒响应的矢量平均远低于单晶沿特定方向的值。高漏电流问题即使经过长时间氧退火含Co体系的电阻率仍是挑战。漏电流会分流磁电电流导致测量值偏低。因此未来的工作将集中在两个方向单晶生长尝试采用助溶剂法或浮区法生长BSMCFAO单晶。单晶样品能完全消除晶界影响沿最优晶体学方向测量有望获得数量级提升的磁电系数真正展现该成分的潜力。Fe位多元掺杂探索我们的模型因数据缺乏未能清晰区分Al、Cr、Mn、Ni在Fe位的作用。这些离子具有不同的离子半径、磁矩和价态可能对磁各向异性和电导率产生差异化影响。系统研究这些元素的掺杂有望在保持高TNC的同时进一步优化材料的绝缘性和磁电响应。5.3 机器学习在材料研发中的工作流总结通过本项目我们可以梳理出一条高效的材料研发机器学习闭环路径问题定义与数据收集明确目标性能如高TNC从文献和实验中系统收集成分-性能数据。特征工程与模型选择根据材料知识构建初始特征如元素含量、离子半径、电负性等选择适合小样本、高可解释性的算法如SISSO。模型训练与描述符提取训练模型获得最优描述符并解读其物理含义形成设计规则。预测与实验验证利用模型预测最优成分并开展合成与表征实验。反馈与迭代将新的实验数据无论成功与否补充到原始数据库中重新训练模型使其预测能力持续进化。本工作中BSMCFAO的成功就可以作为新的高质量数据点反哺模型。6. 常见问题与实验技巧实录在实际操作中从计算预测到最终获得可靠数据会遇到一系列典型问题。这里分享一些我们的排查经验和技巧。6.1 合成与处理环节问题现象可能原因排查方法与解决方案XRD显示杂相多1. 原料混合不均匀。2. 煅烧或烧结温度/时间不足。3. 化学计量比计算或称量错误。1.延长研磨时间使用行星球磨机替代手工研磨确保混合均匀。2.优化热处理制度进行差热分析DTA确定相形成温度。可尝试阶梯烧结如1100°C - 1200°C。3.复核计算检查原料纯度特别是碳酸盐的吸水情况使用万分之一天平精确称量。样品电阻率低无法测极化1. 氧空位过多尤其是含Co、Mn样品。2. 样品致密度低存在孔隙。1.强制氧化退火在流动高纯氧气99.999%中退火时间需足够长5天慢冷50°C/h。2.提高烧结密度适当提高烧结温度或采用热压烧结。可在粉末中加入少量助烧结剂需评估对性能的影响。3.电极制备使用金或铂浆料制作电极并在适当温度下烧结以确保良好欧姆接触避免电极本身引入漏电。磁化曲线异常相变不明显1. 样品磁畴未饱和或历史效应。2. 测量时温度/磁场扫描速率过快。3. 样品中存在强磁杂质相。1.施加磁场历史在测量M-T前先在最低温如10K施加一个强磁场如50 kOe以饱和磁化确立统一的初始磁状态如横向圆锥相然后再降至测量场。2.慢速扫描降低温度扫描速率如1-2 K/min特别是在相变温度附近。3.结合微分曲线绘制dM/dT-T曲线相变点对应峰值或拐点比原始M-T曲线更灵敏。6.2 测量与数据分析环节问题现象可能原因排查方法与解决方案介电常数-磁场曲线无峰值或很弱1. 测量频率不当。2. 电极接触不良或存在界面层。3. 磁场方向与电场方向不垂直对于面内极化。1.频率扫描在固定温度/磁场下测量ε_r随频率的变化选择介电损耗最小、信号稳定的频率点通常为100 kHz - 1 MHz进行变场测量。2.改善电极确保电极覆盖均匀无裂纹。可尝试蒸镀金属薄膜电极。3.校准方向对于多晶样品虽无绝对单轴性但应确保外加磁场方向与施加电场的平面垂直H⊥E这是测量面内极化相关介电响应的标准配置。磁电电流信号微弱噪声大1. 样品漏电流大同前。2. 电磁干扰。3. 积分参数设置不当。1.屏蔽与接地将样品杆和测量引线置于金属屏蔽罩内确保系统良好单点接地。2.选用高阻抗静电计使用如Keithley 6517B这类输入阻抗极高的静电计测量位移电流。3.优化积分流程在扫描磁场前必须进行充分的电极化加E场和退极化短路放电步骤。积分时间常数需设置合理太短会引入噪声太长会平滑掉真实信号。建议先用已知的铁电标准样品如PZT校准整个测量系统。机器学习预测结果与实验偏差大1. 训练数据质量差或数量不足。2. 描述符过拟合或未包含关键物理特征。3. 合成样品未达到预测成分的平衡态。1.扩充与清洗数据持续收集高质量、测量条件统一的文献数据。对离群点进行严格甄别。2.引入更多特征除了元素含量尝试加入离子半径、电负性、键长、晶格参数等衍生特征重新运行SISSO。3.严格表征确保合成的样品是单相、成分均匀的。对于预测的最优成分可以尝试不同的烧结/退火工艺以逼近其热力学平衡态。回顾整个项目从最初面对海量掺杂可能性的茫然到通过机器学习凝练出三条简洁的设计法则最终在实验中获得超越预期的验证这条“数据驱动设计-实验验证”的路径展现出了强大的生命力。它不仅仅是为了找到一个高性能材料更重要的是这个过程加深了我们对Y型六角铁氧体中化学成分-微观结构-磁电性能之间复杂关联的理解。对于后来者如果你想在自己的材料体系中使用类似方法我的核心建议是始于数据忠于物理成于实验。花在数据收集和清洗上的时间绝不会白费对机器学习模型给出的结果一定要追问其物理根源而最激动人心的时刻永远是你在实验室里看到预测的性能被真实测量到的那一刻。BSMCFAO将TNC提升到568K让我们看到了室温单相多铁性器件真正的曙光而下一步攻克单晶生长和漏电问题将是把这份曙光变为现实的关键一战。
