Abstrakt Neodym-järn-bor (NdFeB)-magneter, kända för sina exceptionella magnetiska egenskaper, är avgörande för modern teknik som sträcker sig från elfordon till vindkraftverk. Optimeringen av deras kemiska sammansättning – en känslig balans av neodym (Nd), järn (Fe), bor (B) och sällsynta jordartsmetaller som dysprosium (Dy) – är avgörande för att förbättra prestandan samtidigt som kostnader och miljöpåverkan minskas. Traditionella trial-and-error-metoder för formelutveckling är tidskrävande och resursintensiva. Denna artikel utforskar hur maskininlärning (ML), en hörnsten inom materialinformatik, kan revolutionera förutsägelsen av nya NdFeB-magnetformler genom att utnyttja dataintegration i flera skalor, avancerade modelleringstekniker och tolkningsramverk. Vi diskuterar utmaningarna, metoderna och de senaste genombrotten inom detta område, vilket kulminerar i en färdplan för ML-driven materialupptäckt.