Based on first-principles calculations, we predict that $5d$ transition metals on graphene present a unique class of hybrid systems exhibiting topological transport effects that can be manipulated effectively by external electric fields. The origin of this phenomenon lies in the exceptional magnetic properties and the large spin-orbit interaction of the $5d$ metals leading to significant magnetic moments accompanied with colossal magnetocrystalline anisotropy energies. A strong magnetoelectric response is predicted that offers the possibility to switch the spontaneous magnetization direction by moderate electric fields, enabling an electrically tunable quantum anomalous Hall effect.

High-entropy alloys are solid solutions of multiple principal elements that are capable of reaching composition and property regimes inaccessible for dilute materials. Discovering those with valuable properties, however, too often relies on serendipity, because thermodynamic alloy design rules alone often fail in high-dimensional composition spaces. We propose an active learning strategy to accelerate the design of high-entropy Invar alloys in a practically infinite compositional space based on very sparse data. Our approach works as a closed-loop, integrating machine learning with density-functional theory, thermodynamic calculations, and experiments. After processing and characterizing 17 new alloys out of millions of possible compositions, we identified two high-entropy Invar alloys with extremely low thermal expansion coefficients around 2 × 10-6 per degree kelvin at 300 kelvin. We believe this to be a suitable pathway for the fast and automated discovery of high-entropy alloys with optimal thermal, magnetic, and electrical properties.

Due to their versatile composition and customizable properties, A2BC Heusler alloys have found applications in magnetic refrigeration, magnetic shape memory effects, permanent magnets, and spintronic devices. The discovery of all-d-metal Heusler alloys with improved mechanical properties compared to those containing main group elements presents an opportunity to engineer Heusler alloys for energy-related applications. Using high-throughput density-functional theory calculations, we screened magnetic all-d-metal Heusler compounds and identified 686 (meta)stable compounds. Our detailed analysis revealed that the inverse Heusler structure is preferred when the electronegativity difference between the A and B/C atoms is small, contrary to conventional Heusler alloys. Additionally, our calculations of Pugh ratios and Cauchy pressures demonstrated that ductile and metallic bonding are widespread in all-d-metal Heuslers, supporting their enhanced mechanical behavior. We identified 49 compounds with a double-well energy surface based on Bain path calculations and magnetic ground states, indicating their potential as candidates for magnetocaloric and shape memory applications. Furthermore, by calculating the free energies, we propose that 11 compounds exhibit structural phase transitions and suggest isostructural substitutions to enhance the magnetocaloric effect.

This study reports the synthesis of Ni-Co-SiC coatings onto Q235A steel substrates through magnetic-field-induced electrodeposition to improve the surface performances of the machine parts. The microstructure, topology, roughness, corrosion, and wear resistances of the coatings were investigated through X-ray diffraction (XRD), transmission electron microscopy (TEM), scanning electron microscopy (SEM), atomic force microscopy (AFM), hardness testing, electrochemical analysis, and friction wear testing, respectively. The Ni-Co-SiC coating deposited at 0.4 T (MS1) with a perpendicular magnetic direction showed the maximum SiC content and NiCo grain size (86.5 nm). The surface topology was also fine, dense, and smooth. In addition to that, the images obtained from the AFM characterization showed that the surface roughness of the MS1 coating was 76 nm, which was significantly lower compared to the roughness observed in Ni-Co-SiC coatings fabricated under the magnetic induction of 0 T (MS0) and magnetic field applied in a parallel direction to 0.4 T (MS2). The XRD results revealed that the preferential growth direction of the NiCo grains was changed from the (200) crystal plane to the (111) plane with the introduction of a perpendicular magnetic field. Moreover, MS2, MS1, and MS0 had thickness values of 25.3, 26.7, and 26.3 μm, respectively. Among all the coatings, MS1 showed the lowest friction coefficient and the highest hardness value (914.8 HV), suggesting enhanced wear resistance. Moreover, the MS1 coating revealed a maximum corrosion potential of −257 mV, and the lowest corrosion current of 0.487 μA/cm2, suggesting its improved corrosion resistance.

In this work, we employ density functional theory (DFT) calculations to systematically investigate the thermal and electronic transport properties, as well as the thermoelectric performance, of antiperovskite (APV) compounds within...

Hydrogenation-Disproportionation-Desorption-Recombination (HDDR) Nd

Active learning comprises machine learning-based approaches that integrate surrogate model inference, exploitation and exploration strategies with active experimental feedback into a closed-loop framework. This approach aims at describing and predicting specific material properties, without requiring lengthy, expensive or repetitive experiments. Recently, active learning has shown potential as an approach for the design of sustainable materials, such as scrap-compatible alloys, and for enhancing the longevity of metallic materials. However, in-depth investigations into suited best-practice strategies of active learning for sustainable materials science are still scarce. This study aims to present and discuss active learning strategies for developing and improving sustainable alloys, addressing single-objective and multi-objective learning and modelling scenarios. As model cases, we discuss active learning strategies for optimizing Invar and magnetic alloys, representing single-objective scenarios, and more general steel design approaches, exemplifying multi-objective optimization. We discuss the significance of finding the right balance between exploitation and exploration strategies in active learning and suggest strategies to reduce the number of iterations across diverse scenarios. This kind of research aims to find metrics for a more effective application of active learning and is used here to advance the field of sustainable alloy design. This article is part of the discussion meeting issue ‘Sustainable metals: science and systems’.