人工智能驱动的磁性质预测与下一代自旋电子学材料发现
核心概要
这是一篇综述，系统梳理了机器学习与人工智能如何结合高通量第一性原理计算与实验数据库来预测自旋电子学关键磁性质（如居里温度、磁各向异性能、磁矩、自旋霍尔电导、Dzyaloshinskii–Moriya相互作用、矫顽力与隧穿磁阻），讨论了描述符工程、图神经网络与物理信息学习等方法，并综述了Heusler合金、拓扑自旋体系与二维磁体等材料类的AI辅助筛选与逆向设计，最后提出面向物理引导、不确定性感知与自主闭环优化的未来路线图。
Trade-off between computing cost and accuracy across several computational modeling techniques, demonstrating how machine learning can bridge conventional methods. 47
PubMed深度剖析
综述建立了从电子结构到描述符再到机器学习模型的统一框架，指出磁性的电子结构起源（d/f轨道占据、交换劈裂、d–d与p–d杂化、自旋轨道耦合、Dzyaloshinskii–Moriya相互作用）应作为预测建模的物理基础，并提出将电子结构作为中介层嵌入传统“工艺—结构—性能”链条的扩展PSPP框架。 相对于以往单纯数据驱动的材料信息学综述，本文强调把电子结构作为中介层纳入预测模型，并系统整理了成分、结构、电子与拓扑描述符的分类体系。 属于概念性框架与文献综合，基于对既有理论与方法的归纳，未提供新的实验或计算数据。
综述系统比较了回归、集成学习（随机森林、梯度提升）、深度学习、图神经网络与物理信息学习等模型在磁性质预测中的表现，指出没有单一模型在所有磁性质上普遍占优，模型选择应匹配数据规模、描述符质量与目标性质的物理特性。 通过汇总多篇文献的定量指标（如居里温度预测R²≈0.92、MAE≈40 K；自旋霍尔电导MAE≈115 (ℏ/e) S cm⁻¹、AUC≈0.86；磁各向异性能RMSE≈0.22–0.25 meV等），给出了跨模型、跨性质的横向对照。 基于对多篇独立研究报告的定量指标汇总与比较，指标来自各原始文献，综述本身未做统一基准测试。
综述归纳了AI在具体自旋电子学材料类中的发现进展：Heusler合金中随机森林与梯度提升可预测磁矩、居里温度与半金属性并识别Slater–Pauling趋势；拓扑材料中XGBoost、图神经网络与生成式逆向设计可筛选拓扑绝缘体与半金属；二维磁体中描述符工程、主动学习与图神经网络可发现高自旋霍尔电导与磁性拓扑候选材料。 将分散于不同材料类的AI发现案例整合为跨材料类的统一描述符范式，并提炼出重元素替代增强自旋轨道耦合、对称性破缺产生Berry曲率与DMI、磁有序开启量子反常输运等设计原则。 基于对多个独立研究案例的综述性归纳，包含具体材料实例（如Ta₃P、Ta₃As、CdAu₅、Li₂YBi₂、Cr₂NF₂、Os₂Cl₄等）与报告的性能指标。
综述提出面向未来的闭环AI路线图，主张将物理信息机器学习、可解释AI、生成式逆向设计、多尺度模拟、不确定性量化与自主实验平台融合，分短期（1–3年）、中期（3–7年）与长期（7–10年以上）推进，最终走向自主发现生态系统。 相对于以往侧重单一预测任务的综述，本文给出了包含数据生成、描述符工程、模型开发、逆向设计与实验验证五阶段的时间化发展路线。 属于前瞻性路线图与观点性论述，基于对现有趋势的推断，非实证结果。
启示与展望
本综述面向从事自旋电子学、磁性材料与材料信息学的研究者，适用于在成分、结构与电子描述符层面进行磁性质预测与材料筛选的场景，其提出的闭环路线图针对高通量计算与自主实验平台结合的研究环境。
综述指出多数模型基于零温、理想晶体与共线磁构型的DFT数据训练，对有限温度磁涨落、无序、强关联与非共线磁性刻画不足，预测的居里温度与磁各向异性常与实验存在偏差；同时存在预测精度与物理可解释性之间的权衡，以及跨化学空间外推能力有限的问题。此外，本文为综述性文本，未提供统一基准测试，各性能指标来自不同原始研究，读者在比较时需注意数据来源与评估条件的差异。