基于机器学习的 Fe 基软磁合金可解释设计
材料科学
2025-04-29 v1 其他凝聚态物理
机器学习
摘要
我们提出了一种基于机器学习的方法，用于预测 Fe 丰富软磁合金（特别是 Fe-Si-B 体系）中的饱和磁化 (MS) 和 矢化 (HC)。在实验数据上训练的 ML 模型揭示，随着 Si 和 B 含量的增加，Fe-Si-B 体系中的 MS 从 1.81T（DFT~2.04 T）降至约1.54T（DFT~1.56T），这归因于磁密度降低和结构变化。对 ML 预测的磁饱和进行实验验证，Fe-1Si-1B（2.09T）、Fe-5Si-5B（2.01T）和 Fe-10Si-10B（1.54T）合金组成均得到验证。这些趋势与密度泛函理论（DFT）预测一致，DFT 将能带扩宽和电子无序性增加与较低的 MS 值联系在一起。对选定合金的实验验证确认了 ML 模型的预测准确性，在各种配料比例下均表现良好。除了预测准确性外，详细的不确定性量化和模型可解释性分析（包括特征重要性和部分依赖分析）表明，MS 受到 Fe 含量、早期过渡金属比例和退火温度之间非线性相互作用的支配，而 HC 更敏感于加工条件，如纱带厚度和热处理窗口。该 ML 框架进一步应用于 Fe-Si-B/Cr/Cu/Zr/Nb 合金的伪四元混合空间，显示出类似于 NANOMET（Fe84.8Si0.5B9.4Cu0.8 P3.5C1）、FINEMET（Fe73.5Si13.5B9 Cu1Nb3）、NANOPERM（Fe88Zr7B4Cu1）和 HITPERM（Fe44Co44Zr7B4Cu1）的可比磁性能。我们的研究表明，ML 框架有潜力用于快速搜索高性能、无 Co 和 Ni 的软磁材料。
引用
@article{arxiv.2504.19787,
title = {Interpretable machine learning-guided design of Fe-based soft magnetic alloys},
author = {Aditi Nachnani and Kai K. Li-Caldwell and Saptarshi Biswas and Prince Sharma and Gaoyuan Ouyang and Prashant Singh},
journal= {arXiv preprint arXiv:2504.19787},
year = {2025}
}
备注
24 Pages, 6 Figure, 1 Table