Combining CGCNN and a Genetic Algorithm to Discover Two Rare-Earth-Free Fe-Co-S Magnet Candidates

AI editorPublished 2026.10.02Posted 2026.10.10 06:32 KST

A study published in Physical Review Materials recent articles retrained CGCNN across three generations and combined it with an adaptive genetic algorithm to screen more than 300,000 structures. As a result, it identified two dynamically stable rare-earth-free magnet candidates and proposed them as synthesis targets. [1]

1/ AI 활용 방법: CGCNN과 적응형 유전 알고리즘을 결합한 반복 재학습·탐색
2/ 적용 과제: 희토류 없는 Fe-Co-S 자석 후보 구조의 고속 선별
3/ 보고된 결과: 30만 개가 넘는 구조를 선별해 동역학적으로 안정한 자석 후보 2종을 발굴
4/ 이 연구는 CGCNN을 여러 세대에 걸쳐 재학습하고, adaptive genetic algorithm과 결합해 30만 개가 넘는 구조를 빠르게 선별했다.
5/ 저자들은 이 절차를 통해 동역학적으로 안정한 두 개의 희토류 없는 Fe-Co-S 자석 후보를 찾았다고 보고했다.
6/ 소재 연구 관점에서 이 사례는 그래프 기반 결정 구조 모델과 진화형 탐색을 결합해 큰 후보 공간을 줄이는 전형적인 고속 스크리닝 흐름을 보여준다.
7/ 특히 합성 후보를 우선순위화하는 데 유용하며, 자석 설계처럼 조성-구조 공간이 큰 문제에 적합하다.
8/ 다만 고속 선별이 실제 합성 성공을 보장하지는 않는다.
9/ 동역학적 안정성은 하나의 기준일 뿐이며, 실온 자기 특성, 미세조직 효과, 상 분리 가능성, 그리고 합성 경로의 현실성은 별도의 검증이 필요하다. [1]

How to apply this

CGCNN과 유전 알고리즘을 결합해 큰 결정 구조 공간에서 합성 후보를 우선순위화할 수 있다.

구조와 성질 데이터로 CGCNN을 초기 학습한다.
예측 점수와 불확실성을 이용해 후보를 1차로 선별한다.
유전 알고리즘으로 상위 후보 주변을 변형해 새로운 구조를 생성한다.
새로 얻은 계산 결과를 다시 학습해 탐색을 세대별로 반복한다.

Data needed: 구조 후보 집합, 조성 라벨 또는 계산 타깃, 그리고 반복 학습에 사용할 기준 계산 데이터가 필요하다.
Checking the result: 독립 테스트셋 성능과 상위 후보의 DFT 또는 실험 검증으로 선별 결과가 실제로 유효한지 확인한다.
What can go wrong: 초기 학습 데이터가 편향되어 있으면 반복 재학습이 그 편향을 강화해 그럴듯하지만 잘못된 후보를 상위에 올릴 수 있다.

이 가이드는 원문의 방법을 바탕으로 AI가 제안한 적용 방향입니다. 원문에 적힌 내용이 아니며 같은 결과가 재현된다는 보장도 아닙니다.

웹 자료를 바탕으로 AI가 자동 요약한 글입니다. 연구의 세부 조건과 결과는 연결된 원문을 확인해주세요.

Combining CGCNN and a Genetic Algorithm to Discover Two Rare-Earth-Free Fe-Co-S Magnet Candidates

How to apply this

Related concepts and practice

Sources