在含有拮抗性元素对（例如 Fe 与 Bi、Pb、In 和 Ag）的三元相空间中发现新型量子材料，既面临重大挑战，也具有巨大潜力。在本研究中，我们通过引入铈（Ce）这一储量丰富且具有成本效益的稀土元素，研究这些不混溶元素对的稳定化。通过采用机器学习（ML）引导的框架，尤其是晶体图卷积神经网络（CGCNN），并结合第一性原理计算，我们高效探索了组成/结构空间，预测出 9 种稳定和 37 种亚稳的 Ce-Fe-X（X=Bi、Pb、In 和 Ag）三元化合物。我们的发现包括识别出多种新的稳定相和亚稳相，并对其结构和能量性质进行了评估。这些发现不仅推动了量子材料的发展，也为关键稀土元素提供了可行的替代品，突显了 Ce 基金属间化合物在技术应用中的重要性。
英文摘要：
The discovery of novel quantum materials within ternary phase spaces containing antagonistic pair such as Fe with Bi, Pb, In, and Ag, presents significant challenges yet holds great potential. In this work, we investigate the stabilization of these immiscible pairs through the integration of Cerium (Ce), an abundant rare-earth and cost-effective element. By employing a machine learning (ML)-guided framework, particularly crystal graph convolutional neural networks (CGCNN), combined with first-principles calculations, we efficiently explore the composition/structure space and predict 9 stable and 37 metastable Ce-Fe-X (X=Bi, Pb, In and Ag) ternary compounds. Our findings include the identification of multiple new stable and metastable phases, which are evaluated for their structural and energetic properties. These discoveries not only contribute to the advancement of quantum materials but also offer viable alternatives to critical rare earth elements, underscoring the importance of Ce-based intermetallic compounds in technological applications.
Accelerated Inorganic Electrides Discovery by Generative Models and Hierarchical Screening
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；North Carolina Battery Complexity, Autonomous Vehicle and Electrification (BATT CAVE) Research Center（北卡罗来纳电池复杂性、自动驾驶与电气化（BATT CAVE）研究中心）
AI-enhanced discovery and accelerated synthesis of metal phosphosulfides
Technical University of Denmark（丹麦技术大学）；National Centre for Nano Fabrication and Characterization (DTU Nanolab)（国家纳米制造与表征中心（DTU纳米实验室））；Department of Energy Conversion and Storage（能源转换与存储系）
Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
University of Toronto（多伦多大学）；Acceleration Consortium（加速联盟）；National Research Council Canada（加拿大国家研究委员会）；Clean Energy Innovation Research Center（清洁能源创新研究中心）
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Maryland, College Park（马里兰大学帕克分校）；The Pennsylvania State University（宾夕法尼亚州立大学）
Automated Phase Mapping with AgileFD and its Application to Light Absorber Discovery in the V-Mn-Nb Oxide System
快速构建相图是组合材料科学的核心原则，加速材料发现的努力往往受到解释组合X射线衍射数据集的挑战的阻碍，我们通过开发AgileFD来解决这个问题，AgileFD是一种人工智能算法，可以从X射线衍射图案的组合库中快速绘制相位图。AgileFD通过卷积非负矩阵分解的新扩展对基于合金的峰位移进行建模，这不仅改善了组成相的识别，而且还将其浓度和晶格参数映射为组成的函数。通过将Gibbs相位规则引入算法，在无监督操作的情况下得到有物理意义的相位图，并通过注入系统的专家知识得到更精细的解。该算法是证明通过调查的V-Mn-Nb氧化物系统，其中分解的8个氧化物相，包括两个大量的合金化，提供了第一个相图为这个伪三元系统。该相图能够解释高通量带隙数据，从而发现新的太阳光吸收剂和基于合金的MnV 2 O 6直接允许带隙能量的调谐。AgileFD算法的开源系列可以在广泛的高通量工作流程中实施，以加速材料发现。
