日本国立材料科学研究院(NIMS)的研究团队近日开发出一种新型高通量实验方法。该方法通过测量异常霍尔电阻率，能够以比传统技术快约30倍的速度评估多种材料成分。研究团队利用机器学习分析数据并验证预测，成功开发出一种具备更高检测灵敏度的新型磁传感器材料。相关成果已于2025年9月3日发表在《npj Computational Materials》期刊上。

异常霍尔效应指电流流经磁性材料时产生横向电压的现象，可用于将微弱的磁化变化转换为电信号。基于此效应的材料被认为是制造下一代硬盘读写磁头和高性能传感器的潜在候选。然而，多元合金的成分组合极为庞大，传统评估方法耗时漫长，导致相关材料的探索面临挑战。

该团队开发的高通量实验方法，能用于评估成分连续变化的梯度薄膜，完成每种成分测试仅需约12分钟。利用此方法，研究人员系统研究了铁与重元素构成的二元薄膜中的异常霍尔效应，并基于此构建了机器学习预测模型。该模型成功指导研究团队聚焦于铁-铱-铂三元体系，开发出一种异常霍尔电阻率达6.5 µΩ·cm的新型磁传感器材料，其性能超过了此前在二元体系中观察到的最大值。

这一研究表明，将组合实验方法与机器学习结合，能够有效搜索和发现具备优异性能的薄膜材料。研究团队表示，未来将扩展材料搜索范围，以发现具有更大异常霍尔效应的新材料。该高通量实验方法有望推动数据驱动的材料开发，促进更快速、自动化的自主材料发现系统构建。

更多信息： 作者Ryo Toyama 等人，标题《利用组合实验和机器学习实现异常霍尔效应的高通量材料探索系统》，发表于npj Computational Materials (2025)。期刊信息： npj 计算材料