Absztrakt A kivételes mágneses tulajdonságaikról ismert neodímium-vas-bór (NdFeB) mágnesek kulcsfontosságúak a modern technológiákban, az elektromos járművektől a szélturbinákig. Kémiai összetételük optimalizálása – a neodímium (Nd), a vas (Fe), a bór (B) és a ritkaföldfém-adalékanyagok, például a diszprózium (Dy) kényes egyensúlya – kritikus fontosságú a teljesítmény növelése, miközben csökkenti a költségeket és a környezeti terhelést. A hagyományos, próbálgatáson alapuló formulafejlesztési módszerek időigényesek és erőforrás-igényesek. Ez a tanulmány azt vizsgálja, hogy a gépi tanulás (ML), az anyaginformatika sarokköve, hogyan forradalmasíthatja az új NdFeB mágnesek formuláinak előrejelzését a többléptékű adatintegráció, a fejlett modellezési technikák és az értelmezhetőségi keretrendszerek kihasználásával. Megvitatjuk a terület kihívásait, módszertanait és a legújabb áttöréseket, amelyek egy ML-vezérelt anyagfelfedezési ütemtervben csúcsosodnak ki.