近期，上海交通大学与日本物质材料研究结构（NIMS）合作在国际物理学术期刊Physical Review Research上发表了关于机器学习应用在磁隧道结结构优化与设计中的研究工作—“Machine learning analysis of tunnel magnetoresistance of magnetic tunnel junctions with disordered MgAl2O4”，论文第一作者为上海交通大学鞠生宏教授，通讯作者为日本物质材料研究结构（NIMS）三浦良雄教授。

文章主要创新点介绍

磁隧道结（MTJ）是自旋转移力矩—磁随机存储器器件（STT-MRAM）的基本存储单元,其磁阻比直接决定了存储器存储性能。如何通过增强隧道磁阻效应，进一步提高存储密度、降低磁隧道结的功耗是磁隧道结器件研究亟待解决的难题。尖晶石MgAl2O4（MAO）的（001）面与bcc结构铁磁性金属的晶格失配很小，是用于制备磁隧道结器件的热点材料。与有序MAO相比，阳离子无序的MAO具有更高的磁阻比，因此，通过机器学习的方法筛选具有最高磁阻比性能的阳离子无序MAO局部原子结构，并揭示其内在科学原理，对于高性能磁隧道结器件的开发具有重要意义。

此次发表的研究工作首次将贝叶斯优化（Bayesian optimization）和LASSO 算法应用于磁隧道结器件的材料结构设计与优化，并结合第一性原理计算，最终确定了具有高磁阻比的无序MAO的最优原子结构。研究结果表明：1）当(001)晶面Al、Mg和空位的化学计量比为2:1:1时，磁隧道结的磁阻比趋于最高；2）无序MAO的Al-Al间距对能带结构的虚部有着显著的影响，在决定磁阻比方面起着重要作用。基于机器学习的磁隧道结结构设计可显著提高研发效率，降低研发成本，对于后续高磁阻比MAO基磁隧道结器件的高效设计和开发具有现实指导意义。

图1 基于贝叶斯优化的高磁阻比磁隧道结结构设计