Prediction of magnetic materials for energy and information : combining data-analytics and first-principles theory

Hilgers, Robin Alexander; Assent, Ira; Wuttig, Matthias; Blügel, Stefan

doi:10.18154/RWTH-2024-09243

Prediction of magnetic materials for energy and information : combining data-analytics and first-principles theory

Hilgers, Robin Alexander^RWTH*

2024

Verantwortlichkeitsangabevorgelegt von Robin Alexander Hilgers, M. Sc. RWTH

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Blügel, Stefan (Thesis advisor)^RWTH* ; Wuttig, Matthias (Thesis advisor)^RWTH* ; Assent, Ira (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2024-10-01

Online
DOI: 10.18154/RWTH-2024-09243
URL: http://publications.rwth-aachen.de/record/994325/files/994325.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
Heusler Alloys (frei) ; analytics (frei) ; data science (frei) ; density-functional theory (frei) ; half-metallicity (frei) ; high-throughput (frei) ; machine learning (frei) ; materials discovery (frei) ; process mining (frei)

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Die wesentliche Rolle magnetischer Materialien in der Informationstechnologie und der damit verbundene Energieverbrauch von Datenspeicherzentren wird in der modernen Gesellschaft entscheidend unterschätzt. Die Einsparung von Energieressourcen ist die Herausforderung des 21. Jahrhunderts und eines der wichtigsten wissenschaftlichen Ziele ist es, Wege zu finden, den Energieverbrauch zu reduzieren und die Ressourcennutzung effizienter zu gestalten. Diese Arbeit zeigt mögliche Beiträge materialwissenschaftlicher Simulationen zu einer grünen IT-Transformation auf und stellt Arbeitsabläufe für Material-Screening-Aufgaben mit hohem Durchsatz vor wie z.B. die Suche nach magnetischen Materialien für die nächste Generation von Speicher- und Datenverarbeitungsgeräten. Da solche Simulationen jedoch rechenzeitintensiv sind, untersucht diese Arbeit auch die Anwendungsmöglichkeiten für Data Science und maschinelles Lernen (ML) bei der Vorhersage von Materialeigenschaften. Als Paradebeispiel für eine komplexe magnetische Materialeigenschaft, die eine limitierende Größe für die methodische Anwendbarkeit darstellt, wird die kritische Temperatur

The essential role of magnetic materials in information technology and the corresponding energy consumption of data storage centers is crucially underestimated in modern society. Saving energy resources is the societal challenge of the 21st century. One of the leading scientific objectives is finding ways to reduce energy consumption and make resource usage more efficient. This thesis aims to shed light on possible contributions of materials science simulations towards a green IT transformation by providing workflows and best-practice guidelines for high-throughput materials screening tasks. An instance of such a screening task is the search for magnetic materials for the next generation of storage and data processing devices. However, as the simulation process itself is time-consuming, this thesis explores not only the material phase space but also the application opportunities for data science and machine learning (ML) in the material’s property prediction process. As a prime example of a complex magnetic material property, which is a limiting quantity when it comes to methodological applicability, the critical temperature

OpenAccess:
PDF
(additional files)