《《Nature》正刊刊登!南京大学万贤纲团队“渔网式搜索”揭秘近万种拓扑材料》

  • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
  • 编译者: 冯瑞华
  • 发布时间:2019-02-28
  • 如何寻找一种拓扑材料?以前,在各类材料库的大海里,一种“鱼竿”只能“钓”出一种拓扑材料,“愿者上钩”;现在,“一张大渔网”就可以一网打尽,效率大大提高。2月28日,国际学术期刊《自然》正刊以《利用对称性指标进行拓扑材料全面搜索》为题,发表了这一重要研究——南京大学物理学院万贤纲教授的科研团队及其哈佛大学合作者,系统地大规模搜索了整个材料数据库,获得大量拓扑材料线索,并以此为基础设立了拓扑材料基因库。

    利用对称性指标(symmetry indicator)编织的渔网将晶体库 (图中的大海)中的拓扑材料(图中“拓扑”的鱼)一网打尽

    近年来,拓扑量子态是物理学和材料科学领域的前沿热点。2016年诺贝尔物理学奖授予了三位科学家,以表彰他们发现物质拓扑相以及在拓扑相变方面作出的理论贡献。随着新的拓扑相出现,人们发现,拓扑材料具有常规材料没有的奇特物性,在电子、信息和半导体技术等方面有很大潜力。

    目前,科学家主要通过计算拓扑不变量寻找各种拓扑相,这种方法效率较低,所以已知的拓扑材料数目十分有限。因而,发展新的理论方法,高效寻找理想的、有实用价值的拓扑材料体系有着重要的科学价值和广阔的应用前景。万贤纲教授团队埋首钻研,终于在搜索拓扑材料这个领域实现突破:基于对称指标理论,发展了一套新的高效寻找拓扑材料的理论方法。

    万贤纲介绍,具体来说,就是发展了一套非常高效的预测拓扑材料的方案。中国科学院院士、南京大学教授邢定钰表示,“这样高效的方案,很适合对晶体库进行地毯式搜索,从而得到拓扑材料基因库。”他认为,拓扑材料基因库将在未来给实验物理学家带来极大便利,将来的研究可以专注于基因库中的材料,而不必像以前那样“大海捞针”。

    据悉,万贤纲教授团队的一系列工作始于2017年8月,最开始计划去找寻当时非常新颖的高阶拓扑绝缘体。根据这一高效寻找拓扑材料的理论方法,万贤纲教授团队对所有非磁材料是否拓扑进行分类,发现近50%的材料都是拓扑材料。进而,他们把计算预言的10897种拓扑材料(含费米能级附近有能带交点的体系)的晶体结构信息及电子能带放在网站上,供同行参考与研究。他们还挑选了近一千个费米面比较干净或者能带交点离费米面较近的体系,预言进一步的研究将很可能从中挖掘出适合实际应用的理想拓扑材料。南京微结构国家实验室的博士研究生唐峰为第一作者。人工微结构科学与技术协同创新中心的姚舸工程师协助进行大规模计算和建设拓扑材料网站。

    “文章中给出的拓扑材料基因库,有望带来生机勃勃的后续实验或进一步理论探索。他们提出的高效拓扑材料搜索方法也适合其他体系,如声子系统、光子系统、磁性材料等。可以预期,大规模搜索与预测材料将成为凝聚态物理、材料科学的一种趋势,对相关领域发展将有积极推动作用。”邢定钰表示。

    值得提及的是,在《自然》正刊同期发表的还有中国科学院物理所一个研究团队和普林斯顿大学一个研究团队的相关工作,昭示出在拓扑新材料理论设计方面中国科研团队的优势地位。

  • 原文来源:http://www.xincailiao.com/news/news_detail.aspx?id=437539
相关报告
  • 《南京大学二维材料成果再登Nature!提出了一种新的“由高到低”的生长策略》

    • 来源专题:先进材料
    • 编译者:李丹
    • 发布时间:2023-11-12
    • 来自材料牛 二维范德华异质结(2D vdWH)近年来引起了广泛的关注,它不依赖于化学键、不受限于晶格匹配度,可以灵活地将多种材料堆叠组装在一起,被认为是探索新颖物理现象、实现多功能器件的最具潜力材料组合方式。目前其最广泛使用的制造方法是叠加机械剥离出微米大小的薄片,但这一过程不能扩展到实际应用。而且尽管已经创造了成千上万的二维材料,但几乎没有任何大型二维超导体可以完整地堆叠成vdW异质结构,这极大地限制了这类器件的应用。 南京大学高力波教授、徐洁博士和南方科技大学林君浩副教授带领团队提出了一种新的“由高到低”的生长策略,即以制备较高温度稳定性的二维材料为底层材料,在其上稳定温度稍低的二维材料,从而实现逐层堆叠生长vdWH。他们成功实现了将27种二组元、15种三组元、5种四组元和3种五组元二维材料组成的异质结。同时,堆垛其中的每种二维材料的层数都能够精确可控。这一系列的二维材料范德华异质结的成功制备为后续的物性研究和器件制造提供了丰富的超导异质结材料库和有效的制备方法。研究成果以以“Stack growth of wafer-scale van der Waals superconductor heterostructures”为题,2023年9月6日在线发表于Nature期刊。该工作由南京大学和南方科技大学共同完成,南京大学为第一单位。南京大学周振佳博士与南方科技大学侯福臣博士为本论文的共同第一作者。 【论文地址】 Zhou, Z., Hou, F., Huang, X. et al. Stack growth of wafer-scale van der Waals superconductor heterostructures. Nature (2023). https://doi.org/10.1038/s41586-023-06404-x 本文参考:https://www.nju.edu.cn/info/1067/338391.htm
  • 《这种神经网络筛选近300万种候选新材料仅需5周》

    • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
    • 编译者:冯瑞华
    • 发布时间:2020-04-01
    • 新材料的发现是一种艰难的工作。当搜索特定应用中可能出现的新材料的理论列表时,比如电池或其他与能源相关的设备,通常有数百万种可能的材料需要考虑,而且需要同时满足和优化多个标准。 现在,麻省理工学院的研究人员发现了一种利用机器学习系统极大地简化发现过程的方法。 作为演示,该团队从近300万种候选材料中选出了八种最有前途的材料,用于一种名为“流动电池”的储能系统。 他们说,按照传统的分析方法,这种筛选过程需要50年的时间,但他们只用了5周就完成了。 这项研究结果发表在《美国化学学会中心科学》( ACS Central Science)杂志上,由麻省理工学院化学工程教授Heather Kulik,Jon Paul Janet,Sahasrajit Ramesh和研究生Chenru Duan共同撰写的一篇论文中。 这项研究观察了一组被称为过渡金属配合物的材料。 它们可以以大量不同的形式存在,Kulik说,它们是“非常迷人的功能性材料,不同于许多其他物质相。理解它们为何如此运作的唯一方法就是用量子力学来研究它们。” 要预测这数百万种材料中的任何一种的性质,要么需要耗时且资源密集的光谱学和其他实验室工作,要么需要耗时且高度复杂的基于物理的计算机建模,以便对每一种可能的候选材料或材料组合进行建模。 每一项这样的研究可能要花费数小时到数天的工作时间。 相反,Kulik和她的团队选取了少量不同的可能材料,并利用它们来教授一种先进的机器学习神经网络,了解材料的化学成分与其物理性质之间的关系。然后,他们将这些知识应用于生成下一代可能用于下一轮神经网络训练的材料的建议。 通过这一过程的连续四次迭代,神经网络每次都有显著的改进,直到达到一个临界点,即进一步的迭代不会产生任何进一步的改进。 这个迭代优化系统极大地简化了获得满足两个相互冲突的标准的潜在解决方案的过程。 这种情况下寻找最佳解决方案的过程被称为帕累托前沿(Pareto front),在这种情况下,改善一个因素往往会使另一个因素变得更糟。帕累托前沿表示的是一个理想状态,就是不可能再有更多的帕累托改进的余地。 这代表了可能的最佳折衷点,这取决于分配给每个因素的相对重要性。 训练典型的神经网络需要非常大的数据集,范围从数千到数百万的例子,但是Kulik和她的团队能够使用这个基于Pareto front模型的迭代过程来简化这个过程,并且只使用几百个样本就可以提供可靠的结果。 在筛选流动电池材料的情况下,所期望的特性是冲突的,这是经常发生的情况:最佳材料将具有高溶解度和高能量密度(为给定重量储存能量的能力)。 但是增加溶解度会降低能量密度,反之亦然。 神经网络不仅能够快速地提出有希望的候选对象,而且还能够在每次迭代中为其不同的预测分配置信水平,这有助于在每一步中对样本选择进行细化。 Kulik说:“我们开发了一种比同类中最好的不确定性量化技术更好的方法,可以真正知道这些模型什么时候会失败。” 他们在概念验证试验中选择的挑战是用于氧化还原流电池的材料,氧化还原流电池是一种有望用于大型电网规模电池的电池,它可以在清洁、可再生能源的发展中发挥重要作用。 Kulik说,过渡金属配合物是制造这种电池的首选材料,但用传统方法进行评估的可能性太多了。 他们一开始列出了300万个这样的复合体,然后最终将其削减到8个好的候选对象,并制定了一套设计规则,使实验人员能够探索这些候选对象的潜力及其变化。 她说,除了建议使用该系统进行进一步研究的特定过渡金属配合物外,该方法本身可能具有更广泛的应用。 “我们认为它是一个框架,可以应用于任何材料设计的挑战,你真的试图同时解决多个目标。你知道,所有最有趣的材料设计挑战都是这样的:你有一件事想要改进,但改进了又会使另一件事变得更糟。 ”对我们来说,氧化还原流电池氧化还原耦合只是一个很好的展示,我们认为我们可以继续使用这种机器学习技术,加速新材料的发现。” 例如,为各种化学和工业过程优化催化剂是另一种复杂的材料搜索,Kulik说。 目前使用的催化剂往往含有稀有和昂贵的元素,因此基于丰富和廉价的材料寻找类似有效的化合物可能是一个重大优势。 “这是统计学、应用数学和物理科学概念的完美结合,将在工程应用中非常有用,”西北大学(Northwestern University)化学和化学与生物工程教授George Schatz说,他没有参与这项研究。 他说,这项研究解决了“当有多个目标时如何进行机器学习”的问题。 这项工作得到了海军研究办公室、美国国防部高级研究计划局(DARPA)、美国能源部、Burroughs Wellcome基金和AAAS Mar ion Milligan Mason奖的支持。 原文来源:http://news.mit.edu/2020/neural-networks-optimize-materials-search-0326