近日，杭州电子科技大学微电子研究院张正明副教授、王敦辉教授课题组在基于深度生成模型的反铁磁体设计中取得新进展，研究成果以“A generative framework for predicting antiferromagnets”为题在《Advanced Science》上在线发表。
磁存储器因其存储容量大、非易失性、低功耗以及抗辐射等显著优势，成为推动未来计算架构革新与突破芯片性能瓶颈的关键技术之一。其中，反铁磁体因内部磁矩反平行排列、净磁化强度为零，展现出卓越的抗磁干扰能力和超快磁动力学特性，有望实现存储密度高、读写速度快与稳定性强的磁存储器件。然而，传统材料设计方法受限于关联电子与磁序之间的复杂相互作用，难以系统探索新的化学空间。针对这一挑战，课题组提出了一种基于深度生成模型的反铁磁材料设计新路径，构建了集结构生成、性质预测、定向优化与第一性原理验证于一体的完整工作流：
结构生成器（CDVAE-DA）：一种晶体扩散变分自编码器，专为生成成分合理、结构稳定的晶体结构而设计。通过数据增强 和迁移学习，它学会了反铁磁材料的结构特征，生成成分的有效率高达90.68%。
性质筛选器（CGCNN）：三个晶体图卷积神经网络，像三位“专家”一样，分别快速预测新结构的形成能、总磁矩和能带隙，从中初筛出潜力股。
定向优化器（遗传算法, GA）：扮演“指挥官”角色，根据目标性质（如形成能<0，总磁矩接近0等）不断优化结构生成的方向，让AI“有的放矢”。
验证（DFT计算）：利用第一性原理计算对AI生成的候选材料进行最终的结构弛豫和磁稳定性验证，确保结果真实可靠。
利用该框架，研究人员从2000个生成结构中筛选出三种稳定反铁磁半导体；若不采用遗传算法，从5000个结构中仅获得了两种金属反铁磁，凸显了遗传算法能够通过优化隐变量提升反铁磁体生成效率，为未来开发更高效、更稳定的自旋存储芯片与逻辑器件奠定了材料基础。
杭州电子科技大学张正明副教授和王敦辉教授为论文的共同通讯作者，课题组博士生龚健虎同学为论文第一作者。该研究得到了国家重点研发计划，国家自然科学基金，浙江省自然科学基金的资助。
反铁磁材料设计框架。晶体结构输入到CDVAE-DA后，利用数据增强（DA）方法，通过旋转仿射矩阵，在每次训练中将晶格矢量和坐标重新定向到特定方向。之后利用迁移学习辅助CDVAE-DA在有限的反铁磁数据集上进行训练。并利用三个结构相同的CGCNN独立预测形成能、总磁矩和带隙，预筛选潜在的反铁磁结构。遗传算法（GA）迭代优化潜在向量（Z），以实现定向生成。采用密度泛函理论（DFT）来弛豫晶体结构并验证AFM的稳定性。