磁微结构机器学习分析

我们采用机器学习方法，识别在理想结构的大晶粒 Nd$_2$Fe$_{14}$B 永磁体中导致磁化反转的微结构特征的重要性。嵌入的 Stoner-Wohlfarth 方法被用作降阶模型以确定引导数据驱动学习过程的局部翻转场图。预测模型是一个随机森林分类器，我们通过与小晶粒测试结构的完整微磁模拟比较进行了验证。在机器学习微结构分析过程中，发现解释磁化反转的最重要特征是晶粒的取向偏差及其在磁体中的位置。最低翻转场出现在磁体的顶边和底边附近。虽然局部翻转场对晶粒取向的依赖性在理论上已知，但晶粒位置对局部矫顽场强的影响则不那么明显。作为我们机器学习分析发现的直接结果，我们展示了通过 Dy 扩散进行边缘硬化可带来更高的矫顽场。