这篇博士学位论文主要探讨了人工智能和机器学习在低维体系中应用于d0铁磁性第一性原理计算的研究。d0铁磁性是指某些过渡金属氧化物、两性氧化物和碱性氧化物在低维度结构中表现出的磁性现象，这在传统理论中是不预期的。论文通过基于密度泛函理论（DFT）的电子结构计算方法，深入研究了这些材料的磁性特性，以揭示实验中观察到的d0铁磁现象背后的物理机制。
论文首先介绍了近年来实验上发现的非预期铁磁现象，这种现象引发了磁学领域的广泛关注和研究兴趣。计算模拟作为连接实验与理论的桥梁，对于理解和解释这些磁性现象至关重要。作者通过GGA+U方法对TiO2、SrO和MgO等材料的低维体系进行了系统研究。
在TiO2的低维体系中，作者发现脊处的氧空位（V_O）是最稳定的缺陷，它可以诱导局域磁矩，主要是由V_O周围的Ti3d轨道电子贡献。尽管在一定距离下，Ti-Ti间的距离减小可能导致反铁磁二聚物的形成，但研究显示铁磁性仍然是主要的磁性耦合类型。此外，谷处的氧空位与脊处的氧空位具有类似的性质，同样能够产生铁磁性。
对于TiO2（101）表面，只有三配位氧原子产生的空位（V_O）能够稳定地产生磁矩，主要由周围三个Ti原子的3d轨道电子贡献。在TiO2/SmO2的界面体系中，界面处的氧空位同样能够产生磁矩，并且结构弛豫对磁性有显著影响，使得体系从低自旋状态转变为高自旋状态，且界面处的氧空位之间存在铁磁性耦合。
最后，对于HfO2的单斜结构（111）和（110）表面，作者发现单独的氧空位不能引起磁性，但两个氧空位形成的复合缺陷（CDOV）可以产生稳定的局域磁矩，但必须满足特定条件。这些发现对于理解低维体系中的磁性行为和设计新型磁性材料提供了理论基础。
总体而言，这篇论文通过机器学习和云计算等先进技术，利用第一性原理计算深入探究了低维d0铁磁体系的磁性起源，为磁性材料的科学研究和应用开辟了新的路径。同时，它强调了理论计算在解决实验观测中的复杂物理问题中的重要性，对于推动人工智能在材料科学领域的应用具有积极意义。
