基于机器学习的Ce富集稀土永磁体设计方法，该永磁体具备出色的综合磁性能

《Journal of Materials Chemistry C》：Machine learning guided design of Ce-rich rare earth permanent magnets with outstanding comprehensive magnetic properties

本研究提出基于机器学习的Ce富集Nd-Fe-B永磁体设计框架，通过XGBoost与粒子群优化实现98%磁化强度预测精度，合成磁体达到12.7kG剩磁、12.7kOe矫顽力和40.1MGOe能积，接近理论极限。该框架有效整合轻稀土资源，为可持续永磁材料生产提供新方法。

　　

开发利用丰富稀土元素的高性能永磁体对于解决关键应用中的供应链脆弱性问题至关重要。本研究提出了一个全面的机器学习框架，用于加速使用轻稀土元素设计可持续的Nd–Fe–B永磁体。通过模型训练、评估、筛选和优化的系统化流程，结合粒子群优化的XGBoost被确定为最佳模型，其对实验样品的剩磁预测准确率达到了98%。这种采用机器学习设计的富含Ce的Nd–Fe–B永磁体具有出色的磁性能：剩磁为12.7 kG，矫顽力为12.7 kOe，能量积为40.1 MGOe。利用帕累托前沿分析进行的多目标优化表明，在严格的成分限制条件下（Ce含量超过9.5 wt%，且不含重稀土元素），所开发的永磁体接近理论上的帕累托极限。这项工作展示了机器学习在指导高性能富含Ce的永磁体开发方面的巨大潜力，为可持续永磁体生产建立了一个可靠的框架。该框架不仅确保了优异的性能，还优化了丰富稀土资源的使用，为解决先进材料应用中的资源短缺问题提供了关键见解。