Central University of Gujarat

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。

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。