Abstract Neodymium-ijzer-boor (NdFeB) magneten, bekend om hun uitzonderlijke magnetische eigenschappen, spelen een cruciale rol in moderne technologieën, variërend van elektrische voertuigen tot windturbines. De optimalisatie van hun chemische samenstelling – een delicate balans van neodymium (Nd), ijzer (Fe), borium (B) en zeldzame aardmetalen zoals dysprosium (Dy) – is cruciaal voor het verbeteren van de prestaties en het verlagen van de kosten en de milieu-impact. Traditionele trial-and-error-methoden voor formuleontwikkeling zijn tijdrovend en arbeidsintensief. Deze paper onderzoekt hoe machine learning (ML), een hoeksteen van materiaalinformatica, de voorspelling van nieuwe NdFeB-magneetformules kan revolutioneren door gebruik te maken van multischaal data-integratie, geavanceerde modelleringstechnieken en interpreteerbaarheidskaders. We bespreken de uitdagingen, methodologieën en recente doorbraken op dit gebied, resulterend in een roadmap voor ML-gedreven materiaalontdekking.