Може ли формулата на новите Ndfeb магнети да се предвиди преку науката за материјали (како што е машинското учење)?

1. Вовед

NdFeB магнетите, составени првенствено од интерметалното соединение Nd₂Fe₁₄B, доминираат на пазарот на високо-перформансни перманентни магнети поради нивниот неспоредлив енергетски производ (BHmax) и коерцитивност (Hci). Сепак, нивното широко распространето усвојување се соочува со два клучни предизвици:

1. Недостаток на ресурси : Неодиумот и диспрозиумот се класифицирани како критични суровини од страна на Европската комисија, а ризиците од снабдување се влошуваат поради геополитичките тензии и нееднаквата глобална дистрибуција.
2. Компромиси помеѓу трошоците и перформансите : Високата содржина на Nd ги подобрува магнетните својства, но ги зголемува трошоците за материјалите, додека прекумерните додатоци на Dy ја зголемуваат коерцитивноста на сметка на преостанатата вредност (Br).

За да се справат со овие проблеми, истражувачите се стремат да дизајнираат нови формули на магнети со оптимизирани состави што ја минимизираат употребата на ретки земни метали без да ги загрозат перформансите. Машинското учење нуди алтернатива заснована на податоци на традиционалните емпириски методи, овозможувајќи брзо истражување на огромни композициски простори и идентификација на неочигледни корелации помеѓу елементите и макроскопските својства.

2. Основи на составот на NdFeB магнетот

2.1 Основни елементи и нивните улоги

• Неодиум (Nd) : Ја формира матрицата Nd₂Fe₁₄B, примарен извор на висока магнетизација. Типичната содржина се движи од 29–32 тежински% во комерцијални производи.
• Железо (Fe) : Сочинува 64–69 тежински% од легурата, обезбедувајќи структурна стабилност и придонесувајќи за сатурација на магнетизација.
• Бор (Б) : Со 1,0–1,2 тежински%, борот ја стабилизира тетрагоналната кристална структура неопходна за едноосна анизотропија.
• Ретки Земјини Адитиви:
  • Диспрозиум (Dy) : Заменува Nd во фазата 2:14:1, подобрувајќи ја коерцитивноста преку зголемена магнетокристална анизотропија. Се користи во 0,8–1,2 тежински% за апликации на висока температура.
  • Празеодиум (Pr) : Поевтина алтернатива на Nd, често се користи во магнети базирани на мишметали за намалување на трошоците.
  • Ниобиум (Nb) и алуминиум (Al) : Додадени во мали количини (0,2–1 wt%) за да се подобри структурата на зрната и да се подобри отпорноста на корозија.

2.2 Процес на производство и ефекти врз составот

Производството на синтерувани NdFeB магнети вклучува чекори од прашкаста металургија - топење, млазно глодање, магнетно усогласување, пресување и синтерување - секој од нив чувствителен на составот:

• Контрола на големината на зрната : Додатоците на диспрозиум го потиснуваат абнормалниот раст на зрната за време на синтерувањето, намалувајќи ја просечната големина на зрната и зголемувајќи ја коерцивноста.
• Фазна чистота : Вишокот бор доведува до кршливи секундарни фази на Nd₁₊ₓFe₄B₄, додека недоволниот бор ја дестабилизира матрицата на Nd₂Fe₁₄B.
• Магнетно подредување : Анизотропните магнети бараат хомогени Nd₂Fe₁₄B зрна подредени по должината на c-оската, процес под влијание на Dy супституцијата и морфологијата на прашокот.

Овие сложености ја нагласуваат потребата од предикативни модели кои холистички ги опфаќаат односите помеѓу составот и обработката на својствата.

3. Машинско учење во науката за материјали: Вовед

3.1 Преглед на техниките за машинско учење

Информатиката за материјали ја применува машинската изработка (ML) за да го забрза откривањето на материјали преку идентификување на шеми во големи бази на податоци. Клучните техники вклучуваат:

• Надгледувано учење : Ги предвидува целните својства (на пр., коерцивност) од влезните карактеристики (на пр., елементарни концентрации) користејќи регресивни модели како што се Поддржувачка векторска регресија (SVR), Случајни шуми (RF) и Невронски мрежи (NN).
• Учење без надзор : Групира слични композиции или идентификува латентни варијабли во необележани податоци (на пр., анализа на главни компоненти за истражување на фазен дијаграм).
• Засилено учење : Ги оптимизира композициските простори преку наградување на модели за откривање формули со високи перформанси, како што е демонстрирано во дизајнот на легури.

3.2 Потребни податоци и предизвици

Моделите за машинско учење бараат висококвалитетни, мултимодални множества податоци што опфаќаат:

• Составни податоци : Елементарни проценти, стехиометриски соодноси и нивоа на нечистотии.
• Микроструктурни карактеристики : Распределба на големината на зрната, фазни фракции и густини на дефекти од дифракција на Х-зраци (XRD) или дифракција на електронско обратно расејување (EBSD).
• Макроскопски својства : Измерени Br, Hci и BHmax од магнетометрија на вибрирачки примерок (VSM) или хистерезисни јамки.

Предизвиците вклучуваат:

• Недостаток на податоци : Експерименталните множества податоци за NdFeB се ограничени од трошоците за синтеза и карактеризација.
• Бучава и пристрасност : Варијабилноста во условите на производство воведува неизвесност во мерењата на својствата.
• Висока димензионалност : Со повеќе од 6 елементи, композицискиот простор расте експоненцијално, што бара техники за намалување на димензионалноста.

4. Предвидување на формулите на NdFeB управувано од ML

4.1 Студија на случај 1: Регресија на вниманието со повеќе глави (MHAR) за предвидување на својства

Студија од 2023 година разви MHAR модели за предвидување на Br, Hci, BHmax и квадратност (SQ) во синтерувани NdFeB магнети. Клучни сознанија:

• Архитектура на моделот : MHAR користи механизми за самовнимание за динамички да ја процени важноста на влезните карактеристики (на пр. Nd, Dy и големината на зрната), подобрувајќи ја интерпретабилноста во однос на мрежите со црна кутија.
• Метрики на перформанси : Постигнати се R² резултати од 0,97 за Br и 0,84 за Hci врз основа на тест податоците, надминувајќи ги основните вредности на линеарната регресија и SVM.
• Интерпретабилност : Тежините на вниманието открија дека содржината на Dy и големината на зрната се главните предиктори на коерцивноста, што се совпаѓа со знаењето за доменот.

4.2 Студија на случај 2: XGBoost за обновување на ретките Земји и оптимизација на формулите

При рециклирање на ретки метали, моделите XGBoost предвидоа концентрации на Nd и Dy во отпадни магнети со вредности на R² од 0,80–0,99 низ сетови за вкрстена валидација. Овој пристап беше проширен на дизајнот на формулата:

• Инженерство на карактеристики : Вклучени термодинамички дескриптори (на пр., енталпија на мешање) и параметри на обработка (на пр., температура на синтерување) заедно со елементарни соодноси.
• Оптимизација : Користена е Баесова оптимизација за навигација во композицискиот простор, идентификувајќи формули со низок Dy со Hci > 20 kOe.

4.3 Студија на случај 3: Микромагнетна симулација - проширено учење со машинско учење

За да се справи со недостигот на податоци, истражувачите комбинираа микромагнетни симулации со машинско учење:

• Генерирање на множество податоци : Симулирани повеќе од 10.000 грануларни NdFeB микроструктури со различни големини на зрната, агли на неусогласеност и спојување на размена меѓу зрната.
• Обука на модел : Обучени SVR модели за предвидување на Hci и BHmax од симулирани микроструктурни карактеристики, постигнувајќи средни апсолутни грешки (MAE) од < 5% на невидени податоци.
• Трансферно учење : Фино подесени модели на ограничени експериментални податоци, премостувајќи го јазот помеѓу симулацијата и експериментот.

5. Предизвици и идни насоки

5.1 Ограничувања на струјата

• Екстраполација : ML моделите се борат да предвидат формули надвор од дистрибуцијата за обука (на пр., нови замени за ретки земји).
• Каузалност наспроти корелација : Високите R² резултати не гарантираат каузални врски, што ризикува лажни предвидувања во неистражени режими.
• Моделирање на повеќе нивоа : Интегрирањето на пресметките на атомско ниво (на пр., теорија на функционална густина) со предвидувања на макроскопски својства останува отворен проблем.

5.2 Нови трендови

• Активно учење : Итеративно го испитува композицискиот простор за да ги фокусира експерименталните напори на региони со висок потенцијал, намалувајќи ги барањата за податоци.
• Физички информиран машински начин на учење : Вградува знаење од доменот (на пр., Стонер-Волфартовиот модел за коерцивност) во архитектурите на невронските мрежи за да се подобри генерализацијата.
• Генеративни модели : Варијационите автоенкодери (VAE) и генеративните контрадикторни мрежи (GAN) предлагаат нови композиции преку учење на латентни претстави на високо-перформансни магнети.

6. Заклучок

Машинското учење го трансформира откривањето на нови формули на NdFeB магнети преку овозможување брзо, базирани на податоци истражување на композициските простори. Неодамнешните достигнувања во моделите базирани на внимание, учењето зголемено со симулација и рамките за интерпретација се справија со клучните предизвици во точноста и доверливоста. Сепак, полето мора да ги надмине ограничувањата во екстраполацијата и интеграцијата на повеќе нивоа за да го реализира својот целосен потенцијал. Идните истражувања треба да дадат приоритет на цевководи за активно учење, архитектури информирани од физиката и соработки помеѓу научниците за материјали и инженерите за машинско учење за да се забрза развојот на одржливи, високо-перформансни магнети за транзицијата кон чиста енергија.