Abstrakt Neodym-Eisen-Bor (NdFeB)-Magnete, bekannt für ihre außergewöhnlichen magnetischen Eigenschaften, spielen eine zentrale Rolle in modernen Technologien von Elektrofahrzeugen bis hin zu Windkraftanlagen. Die Optimierung ihrer chemischen Zusammensetzung – ein ausgewogenes Verhältnis von Neodym (Nd), Eisen (Fe), Bor (B) und Seltenerdzusätzen wie Dysprosium (Dy) – ist entscheidend für die Leistungssteigerung bei gleichzeitiger Kosten- und Umweltreduzierung. Herkömmliche Trial-and-Error-Methoden zur Formelentwicklung sind zeit- und ressourcenintensiv. Dieser Artikel untersucht, wie maschinelles Lernen (ML), ein Eckpfeiler der Materialinformatik, die Vorhersage neuer NdFeB-Magnetformeln durch die Nutzung mehrskaliger Datenintegration, fortschrittlicher Modellierungstechniken und Interpretierbarkeitsrahmen revolutionieren kann. Wir diskutieren die Herausforderungen, Methoden und jüngsten Durchbrüche in diesem Bereich und entwickeln einen Fahrplan für die ML-gestützte Materialforschung.