¿Se puede predecir la fórmula de los nuevos imanes de Ndfeb a través de la ciencia de los materiales (como el aprendizaje automático)?

1. Introducción

Los imanes de NdFeB, compuestos principalmente por el compuesto intermetálico Nd₂Fe₁₄B, dominan el mercado de imanes permanentes de alto rendimiento gracias a su producto energético (BHmax) y coercitividad (Hci) inigualables. Sin embargo, su adopción generalizada se enfrenta a dos retos clave:

1. Escasez de recursos : la Comisión Europea clasifica el neodimio y el disprosio como materias primas críticas y los riesgos de suministro se ven exacerbados por las tensiones geopolíticas y una distribución global desigual.
2. Compensación costo-rendimiento : un alto contenido de Nd mejora las propiedades magnéticas pero aumenta los costos del material, mientras que las adiciones excesivas de Dy aumentan la coercitividad a expensas de la remanencia (Br).

Para abordar estos problemas, los investigadores buscan diseñar nuevas fórmulas magnéticas con composiciones optimizadas que minimicen el uso de tierras raras sin comprometer el rendimiento. El aprendizaje automático ofrece una alternativa basada en datos a los métodos empíricos tradicionales, lo que permite la exploración rápida de amplios espacios compositivos y la identificación de correlaciones no obvias entre las proporciones elementales y las propiedades macroscópicas.

2. Fundamentos de la composición del imán de NdFeB

2.1 Elementos centrales y sus funciones

• Neodimio (Nd) : Forma la matriz Nd₂Fe₁₄B, la principal fuente de alta magnetización. Su contenido típico oscila entre el 29 y el 32 % en peso en los grados comerciales.
• Hierro (Fe) : Constituye entre el 64 y el 69 % en peso de la aleación, proporcionando estabilidad estructural y contribuyendo a la magnetización por saturación.
• Boro (B) : En una concentración de 1,0 a 1,2 % en peso, el boro estabiliza la estructura cristalina tetragonal esencial para la anisotropía uniaxial.
• Aditivos de tierras raras:
  • Disprosio (Dy) : Sustituye al Nd en la fase 2:14:1, mejorando la coercitividad mediante una mayor anisotropía magnetocristalina. Se utiliza en concentraciones del 0,8 al 1,2 % en peso para aplicaciones de alta temperatura.
  • Praseodimio (Pr) : una alternativa más económica al Nd, a menudo utilizada en imanes basados ​​en metales mixtos para reducir costos.
  • Niobio (Nb) y aluminio (Al) : se agregan en cantidades menores (0,2–1 % en peso) para refinar la estructura del grano y mejorar la resistencia a la corrosión.

2.2 Proceso de fabricación y efectos de la composición

La producción de imanes de NdFeB sinterizados implica pasos de pulvimetalurgia (fusión, fresado a chorro, alineación magnética, prensado y sinterización), cada uno sensible a la composición:

• Control del tamaño del grano : Las adiciones de disprosio suprimen el crecimiento anormal del grano durante la sinterización, lo que reduce el tamaño promedio del grano y mejora la coercitividad.
• Pureza de fase : el exceso de boro produce fases secundarias de Nd₁₊ₓFe₄B₄ quebradizas, mientras que la cantidad insuficiente de boro desestabiliza la matriz de Nd₂Fe₁₄B.
• Alineación magnética : Los imanes anisotrópicos requieren granos de Nd₂Fe₁₄B homogéneos alineados a lo largo del eje c, un proceso influenciado por la sustitución de Dy y la morfología del polvo.

Estas complejidades subrayan la necesidad de modelos predictivos que capturen las relaciones composición-procesamiento-propiedad de manera holística.

3. Aprendizaje automático en la ciencia de los materiales: una introducción

3.1 Descripción general de las técnicas de aprendizaje automático

La informática de materiales aplica el aprendizaje automático para acelerar el descubrimiento de materiales mediante la identificación de patrones en grandes conjuntos de datos. Las técnicas clave incluyen:

• Aprendizaje supervisado : predice propiedades objetivo (por ejemplo, coercitividad) a partir de características de entrada (por ejemplo, concentraciones elementales) utilizando modelos de regresión como regresión de vectores de soporte (SVR), bosques aleatorios (RF) y redes neuronales (NN).
• Aprendizaje no supervisado : agrupa composiciones similares o identifica variables latentes en datos no etiquetados (por ejemplo, análisis de componentes principales para la exploración de diagramas de fases).
• Aprendizaje por refuerzo : optimiza los espacios de composición al recompensar a los modelos por descubrir fórmulas de alto rendimiento, como se demuestra en el diseño de aleaciones.

3.2 Requisitos y desafíos de los datos

Los modelos de ML exigen conjuntos de datos multimodales de alta calidad que abarquen:

• Datos de composición : porcentajes elementales, relaciones estequiométricas y niveles de impurezas.
• Características microestructurales : distribuciones de tamaño de grano, fracciones de fase y densidades de defectos de difracción de rayos X (XRD) o difracción de retrodispersión de electrones (EBSD).
• Propiedades macroscópicas : Br, Hci y BHmax medidos a partir de magnetometría de muestra vibrante (VSM) o bucles de histéresis.

Los desafíos incluyen:

• Escasez de datos : los conjuntos de datos experimentales para NdFeB están limitados por el costo de síntesis y caracterización.
• Ruido y sesgo : la variabilidad en las condiciones de fabricación introduce incertidumbre en las mediciones de propiedades.
• Alta dimensionalidad : con más de 6 elementos, el espacio compositivo crece exponencialmente, lo que requiere técnicas de reducción de dimensionalidad.

4. Predicción de fórmulas de NdFeB impulsada por ML

4.1 Caso práctico 1: Regresión de atención multicabezal (MHAR) para predicción de propiedades

Un estudio de 2023 desarrolló modelos MHAR para predecir Br, Hci, BHmax y cuadratura (SQ) en imanes de NdFeB sinterizados. Conclusiones clave:

• Arquitectura del modelo : MHAR utiliza mecanismos de autoatención para ponderar la importancia de las características de entrada (por ejemplo, Nd, Dy y tamaño de grano) de forma dinámica, lo que mejora la interpretabilidad con respecto a las redes neuronales de caja negra.
• Métricas de rendimiento : Se obtuvieron puntuaciones R² de 0,97 para Br y 0,84 para Hci en los datos de prueba, superando las líneas de base de regresión lineal y SVM.
• Interpretabilidad : Los pesos de atención revelaron que el contenido de Dy y el tamaño del grano fueron los principales predictores de la coercitividad, lo que se alinea con el conocimiento del dominio.

4.2 Caso práctico 2: XGBoost para la recuperación de tierras raras y la optimización de fórmulas

En el reciclaje de tierras raras, los modelos XGBoost predijeron concentraciones de Nd y Dy en imanes de chatarra con valores de R² de 0,80 a 0,99 en los conjuntos de validación cruzada. Este enfoque se amplió al diseño de fórmulas:

• Ingeniería de características : se incorporaron descriptores termodinámicos (por ejemplo, entalpía de mezcla) y parámetros de procesamiento (por ejemplo, temperatura de sinterización) junto con relaciones elementales.
• Optimización : Se utilizó la optimización bayesiana para navegar por el espacio compositivo, identificando fórmulas de bajo Dy con Hci > 20 kOe.

4.3 Caso práctico 3: Simulación micromagnética - ML aumentado

Para abordar la escasez de datos, los investigadores combinaron simulaciones micromagnéticas con aprendizaje automático:

• Generación de conjuntos de datos : se simularon más de 10 000 microestructuras granulares de NdFeB con diferentes tamaños de grano, ángulos de desalineación y acoplamiento de intercambio entre granos.
• Entrenamiento de modelos : modelos SVR entrenados para predecir Hci y BHmax a partir de características microestructurales simuladas, logrando errores absolutos medios (MAE) de < 5 % en datos no vistos.
• Aprendizaje por transferencia : modelos perfeccionados con datos experimentales limitados, que reducen la brecha entre simulación y experimentación.

5. Desafíos y direcciones futuras

5.1 Limitaciones actuales

• Extrapolación : los modelos ML tienen dificultades para predecir fórmulas fuera de la distribución de entrenamiento (por ejemplo, nuevos sustitutos de tierras raras).
• Causalidad vs. Correlación : Los puntajes R² altos no garantizan relaciones causales, lo que implica el riesgo de realizar predicciones espurias en regímenes inexplorados.
• Modelado multiescala : la integración de cálculos a escala atómica (por ejemplo, la teoría funcional de la densidad) con predicciones de propiedades macroscópicas sigue siendo un problema abierto.

5.2 Tendencias emergentes

• Aprendizaje activo : consulta iterativamente el espacio compositivo para centrar los esfuerzos experimentales en regiones de alto potencial, lo que reduce los requisitos de datos.
• ML basado en la física : integra conocimiento del dominio (por ejemplo, el modelo Stoner-Wohlfarth para coercitividad) en arquitecturas de redes neuronales para mejorar la generalización.
• Modelos generativos : los autocodificadores variacionales (VAE) y las redes generativas antagónicas (GAN) proponen nuevas composiciones mediante el aprendizaje de representaciones latentes de imanes de alto rendimiento.

6. Conclusión

El aprendizaje automático está transformando el descubrimiento de nuevas fórmulas para imanes de NdFeB al permitir la exploración rápida y basada en datos de espacios compositivos. Los avances recientes en modelos basados ​​en la atención, aprendizaje aumentado por simulación y marcos de interpretabilidad han abordado desafíos clave en cuanto a precisión y fiabilidad. Sin embargo, este campo debe superar las limitaciones de la extrapolación y la integración multiescala para alcanzar su máximo potencial. Las investigaciones futuras deben priorizar los procesos de aprendizaje activo, las arquitecturas basadas en la física y la colaboración entre científicos de materiales e ingenieros de aprendizaje automático para acelerar el desarrollo de imanes sostenibles de alto rendimiento para la transición a energías limpias.