高性能永磁体矫顽力的精确机器学习预测

电动汽车和风力涡轮机行业对高性能永磁体日益增长的需求促使人们寻找具有成本效益的替代品。由于稀土元素的全球供应、材料稳定性和较低的最大磁能积 BH$_{max}$ 等问题，发现具有所需内禀和外在永磁体特性的新型磁性材料对研究人员来说是一项重大挑战。虽然第一性原理密度泛函理论（DFT）可以预测材料的磁矩、磁晶各向异性常数和交换相互作用，但它无法计算矫顽力（$H_c$）。尽管理论上可以通过微磁学模拟计算 $H_c$，但由于 Brown 佯谬，预测值比实验值大近一个数量级。为了规避这些问题，我们在从实验、DFT 计算和微磁学建模获得的广泛数据库上采用了机器学习（ML）方法。大型数据集的使用使得对诸如 Ce 掺杂的 Nd$_2$Fe$_{14}$B 等材料进行真实的 $H_c$ 预测成为可能，且与微磁学模拟的矫顽力相比表现良好。值得注意的是，我们的 ML 模型准确地识别出单轴磁晶各向异性是 $H_c$ 的主要贡献因素。通过 DFT 计算，我们预测了 Nd$_2$Fe$_{14}$B 中依赖于 Nd 位的磁各向异性行为，证实 Nd $4g$ 位主要贡献于单轴磁晶各向异性，并计算了居里温度（T$_{C}$）。两项计算结果均与实验吻合良好。结合实验数据集和带有 DFT 输入的 ML 建模，预测 $H_c$ 的准确度和速度远超以往使用微磁学建模的可能。此外，我们利用 ML 预测，通过微磁学模拟对晶间交换耦合进行了逆向工程。