机器学习技术用于预测La13基化合物的磁热效应

文献来源：

Machine learning technique for prediction of magnetocaloric effect

in La(Fe,Si/Al)13-based materials（张博, 郑新奇, 赵同云, et al. Chinese Physics B, 2018(6).）

DOI: 10.1088/1674-1056/27/6/067503

1　前言

磁热效应（MCE）是磁性材料在外加磁场变化时的等温熵变或绝热温变现象，是其固有的特性。与传统的蒸汽压缩方法相比，基于MCE的磁制冷（MR）在环境友好性和高效率方面具有潜在的优势。因此MCE正成为当前备受人们关注的重大课题。MCE材料通常以等温过程中的磁熵变的最大值((ΔSM)max)和最大居里温度(TC)来表征。

在这些MCE材料中，La(Fe,Si/Al)13基化合物被公认为最有前途的磁性制冷剂之一。二元LaFe13相由于其正的生成焓而不存在。因此，必须引入第三个元素，即Si或Al，用于稳定立方NaZn13型结构。对于La(Fe,Si/Al)13基化合物,通过改变Fe和Si/Al含量、掺杂过渡金属(Co和Mn)、稀土(Ce,Pr,Nd)、间隙原子(H,C,B)等手段改善其MCE性能的研究较多。化合物成分发生变化，((ΔSM)max)和(TC)也可能发生变化。当成分复杂时，预测这些物理特征并不容易。然而，使用机器学习的数据挖掘技术可以应用于建立用于预测物理特征与成分相关参数之间的关系的模型，而这些参数可以在实验之前获得。

机器学习是计算机科学人工智能领域的一个分支，其为计算机系统提供了从数据中“学习”（即，逐步改善在特定任务中表现）的能力。机器学习可以使用来自大量实验数据的统计规律在特征属性和目标属性之间建立预测模型。这是大容量、多维数据的分析与材料设计完美匹配的有效方法。

2　成果简介

在本文发表之前，基于机器学习的数据挖掘技术在La(Fe,Si/Al)13基化合物的材料设计中尚未见报道。中国科学院物理研究所的张博博士等人在Chinese Physics B 上发表了一篇题为Machine learning technique for prediction of magnetocaloric effect in La(Fe,Si/Al)13-based materials的文章。他们收集了144个La(FeSi/Al)13基化合物数据，以材料的化学成分作为特征属性，居里温度和磁熵变(0-2T、0-5T)作为目标属性，采用梯度提升回归树(GBRT)的算法进行机器学习建模，然后通过这个模型学习特征属性和目标属性之间的规律。对于居里温度、0-2T 磁熵变和 0-5T 磁熵变这三个模型，决定系数R2（越大越好，最大值为1）分别为 0.96，0.87，0.91，平均绝对误差MAE（越低越好）分别为9.81K，1.14J/kgK，2.53J/kgK。

3　图文导读

图一：利用机器学习方法对La(Fe,Si/Al)13基材料进行预测模型的整体建立过程

图二：(a) La(Fe,Si/Al)13基化合物居里温度的数据分布 ；(b)居里温度预测模型的参数选择，星号为最佳参数组合

图三：(a)居里温度预测模型在训练集上的表现 ；(b)居里温度预测模型在测试集上的表现

图四：(a)、(c)： La(Fe,Si/Al)13基化合物0-2T、0-5T磁熵变的数据分布；(b)、(d)：0-2 T、0-5T磁熵变预测模型的参数选择。星号为最佳参数组合

图五：(a)、(b)：0T-2T磁熵变预测模型在训练集和测试集上的表现；(c)、(d)：0T-2T磁熵变预测模型在训练集和测试集上的表现

4　总结

本文主要讨论了利用机器学习算法GBRT成功地建立了三种预测模型，分别预测了La(Fe,Si/Al)13基材料的两种重要磁性能：((ΔSM)max)和TC，且模型的训练比较理想。基于此模型，可以很好地预测未知数据的性质。这表明，机器学习是一个非常强大而有效的工具，可以用来加速材料成分设计，从而更高效地找到适当的成分并进一步应用到实践中。此外，特征的选择和构造是影响模型性能的最重要因素，为模型构建更多的物理特征可以显著提高其性能。这为后续研究和其他研究人员指明了一条方向，即为数据的特征引入更多的物理参数，这样可以利用机器学习分析特征或者某些特征的组合与目标性质（相变温度，磁熵变）之间的规律，通过模型分析所得出的规律来指导实验，提高材料设计和选择的效率。

本文由高温合金精密成型研究中心2018级硕士-姚定烨编辑整理