机器学习驱动的纳米晶软磁合金设计：基于XGBoost算法的高玻璃形成能力与低矫顽力优化研究

本文推荐：研究通过机器学习（ML）结合XGBoost算法，成功预测纳米晶软磁合金（NSMAs）的玻璃形成能力（GFA）和矫顽力（Hc），特征筛选确定VEC、VEC1、cB和ΔT为关键参数，模型分类准确率达96.7%。通过SHAP分析揭示成分-性能关系，并设计出GFA优异、Hc低至1.34~1.40 A/m的合金，为高频电子器件材料开发提供高效方案。

　　

Highlight

本研究利用机器学习（ML）模型高效设计兼具高玻璃形成能力（GFA）和低矫顽力（H_c）的纳米晶软磁合金（NSMAs）。通过四步特征筛选（皮尔逊相关性分析、散点图分析、特征排序和前向选择）锁定关键参数，其中XGBoost算法在GFA分类预测中表现最优，AUC达0.93，准确率96.7%。SHAP分析表明：当价电子浓度（VEC）<7.29、排除Fe/Ni/Co的VEC（VEC1）>0.71、硼含量（c_B）为6.85~11.54 at.%、结晶温度区间（ΔT）>121°C时，前驱体易形成完全非晶结构。结合XGBoost与NSGA-II算法设计的三种合金，其GFA与H_c（1.34~1.40 A/m）实验误差低于文献值，验证了模型的可靠性。

Method

数据集包含519个NSMAs样本，涵盖15种元素含量、两次晶化温度（T_x1/T_x2）、ΔT及计算特征（如VEC、VEC1、电负性χ和熵变ΔS）。通过四步特征筛选剔除冗余参数，最终保留VEC、VEC1、c_B和ΔT等核心特征。

Results and discussion

XGBoost在GFA分类中显著优于随机森林（RF）和支持向量机（SVM），SHAP分析量化了特征贡献：VEC与GFA呈负相关，而ΔT和c_B为正相关。优化合金的H_c预测误差较传统方法降低，凸显算法在成分设计中的优势。

Conclusion

ML模型成功指导NSMAs设计，SHAP解析的特征阈值可为实验提供明确方向。XGBoost与NSGA-II联用策略为开发高性能软磁材料开辟了新途径。