DxMag Heusler Database

DxMag Heusler Database 是一个包含几乎所有传统三元Heusler化合物的数据库，本研究将其扩展到包括四元和全d Heusler化合物。该数据库为机器学习模型提供了训练数据，用于预测化合物的形成能、距离凸包的距离、局部磁矩、声子稳定性、磁稳定性和磁晶各向异性能量。通过机器学习加速的高通量筛选方法，研究人员成功筛选出具有大磁晶各向异性能量的稳定Heusler合金。

The DxMag Heusler Database is a repository containing nearly all conventional ternary Heusler compounds. In this study, we expanded its scope to include quaternary and full-d Heusler compounds. This database provides training data for machine learning models to predict multiple properties of compounds, including formation energy, distance to the convex hull, local magnetic moment, phonon stability, magnetic stability, and magnetocrystalline anisotropy energy. Through machine learning-accelerated high-throughput screening approaches, researchers successfully screened out stable Heusler alloys with large magnetocrystalline anisotropy energy.

搜集汇总

数据集介绍

构建方式

DxMag Heusler Database的构建依托高通量第一性原理计算框架，系统覆盖传统三元、四元及全d过渡金属赫斯勒合金。该数据库通过VASP软件包执行结构优化与性质计算，采用投影缀加波方法和PBE泛函处理电子结构，并整合Open Quantum Materials Database与SPRKKR代码进行热力学稳定性和磁各向异性能评估。数据生成过程遵循严格的对称性约束与自旋配置初始化协议，确保涵盖铁磁、反铁磁及亚铁磁等多种磁序状态。

特点

该数据库的核心特征在于其多尺度性质覆盖与机器学习的深度融合。除常规晶格参数与形成能外，更包含声子谱、局域磁矩、居里温度及磁各向异性能等难以通过传统高通量计算获取的深度物理量。其独特优势在于采用冻结迁移学习策略，以eSEN-30M-OAM势函数为基础模型，通过固定嵌入层与前七层参数实现跨性质预测的泛化增强。数据库特别注重4d/5d过渡金属元素的覆盖，有效捕获强自旋轨道耦合效应导致的高磁各向异性体系。

使用方法

该数据集专为机器学习驱动的材料发现流程设计，用户可通过HeuslerDB在线平台获取结构化数据。典型应用流程包含三阶段：首先采用eSEN-30M-OAM势函数进行晶体结构优化与热力学稳定性筛选；随后基于迁移学习训练的回归模型预测磁性与动态稳定性参数；最终通过DFT验证候选材料。数据集支持晶格图神经网络与等变架构的直接输入，其分层特征表示可适配于性质预测、逆向设计及化学空间探索等多类任务。

背景与挑战

背景概述

DxMag Heusler Database由日本物质材料研究机构（NIMS）的磁性材料研究中心于2025年创建，主要研究人员为Enda Xiao和Terumasa Tadano。该数据库专注于Heusler合金的高通量计算筛选，核心研究问题是通过机器学习势函数和迁移学习回归模型，加速磁性材料尤其是具有大磁晶各向异性能（Eaniso）的稳定Heusler化合物的发现。作为数字化材料研究的重要基础设施，该数据集显著提升了磁性材料设计的效率，推动了计算材料学与人工智能的交叉融合，对自旋电子学和磁存储技术领域具有深远影响。

当前挑战

该数据集旨在解决Heusler合金中稳定高磁各向异性材料的筛选难题，其核心挑战包括：从庞大化学空间中精准预测热力学稳定性和电子结构敏感属性（如Eaniso）的复杂性；构建过程中需克服多原子排列导致的化学环境多样性问题，以及迁移学习模型中域适应偏差对d-block元素预测准确性的影响。此外，机器学习势函数在优化结构时需平衡计算效率与能量景观平滑性，而数据稀缺性则要求创新性策略以提升局部磁矩和声子稳定性的预测鲁棒性。

常用场景

经典使用场景

在磁性材料的高通量筛选中，DxMag Heusler Database被广泛应用于识别具有高磁晶各向异性能（Eaniso）的稳定Heusler化合物。该数据集通过结合机器学习原子间势（MLIP）和迁移学习回归模型，显著加速了结构优化和性质预测过程，使得研究人员能够高效探索四元和全d过渡金属Heusler合金的庞大化学空间。

衍生相关工作

该数据集衍生了多项经典工作，包括基于eSEN-30M-OAM MLIP的结构优化方法、迁移学习回归模型（如局部磁矩和Eaniso预测器），以及针对Heusler化合物的稳定性筛选流程。这些工作被扩展至其他磁性材料体系，形成了机器学习辅助材料发现的标准范式。

数据集最近研究

最新研究方向

在磁性材料高通量筛选领域，DxMag Heusler数据库正推动机器学习势函数与迁移学习回归模型的深度融合。研究聚焦于四元及全d电子赫斯勒化合物的磁晶各向异性能预测，通过eSEN-30M-OAM势函数实现结构优化与热力学稳定性评估，结合冻结迁移学习策略提升局部磁矩、声子稳定性等敏感属性的预测精度。该方向呼应了材料基因工程对多尺度计算的需求，为解决传统DFT计算瓶颈提供了可扩展方案，显著加速了具有强磁各向异性稳定材料的发现进程。

相关研究论文

• Accurate Screening of Functional Materials with Machine-Learning Potential and Transfer-Learned Regressions: Heusler Alloy Benchmark

  日本国立材料科学研究所 · 2025年