基于物理信息的机器学习用于V?O?掺杂Mg?.??Co?.??Fe?O?铁氧体的成分设计与多目标优化

《Journal of Alloys and Compounds》:Physics-informed machine learning for compositional design and multi-objective optimization of V 2O 5 -doped Mg 0.85Co 0.15Fe 2O 4 ferrites

【字体: 大 中 小 】 时间:2026年08月29日 来源:Journal of Alloys and Compounds 6.7

编辑推荐:

   # 摘要 在Mg?.??Co?.??Fe?O?铁氧体陶瓷中选择最优的五氧化二钒(V?O?)掺杂量,需要在宽频率范围内平衡相互竞争的电介质和磁性能目标,而传统的试错实验无法高效应对这一挑战。本文提出了一种全面的物理信息机器学习框架,将五种V?O?掺杂铁氧体组分的实验介电和磁性

  

# 摘要

在Mg?.??Co?.??Fe?O?铁氧体陶瓷中选择最优的五氧化二钒(V?O?)掺杂量,需要在宽频率范围内平衡相互竞争的电介质和磁性能目标,而传统的试错实验无法高效应对这一挑战。本文提出了一种全面的物理信息机器学习框架,将五种V?O?掺杂铁氧体组分的实验介电和磁性数据转化为定量、可物理解释的设计指导。训练了四个多层感知机神经网络模型(M1–M4),并采用逐步丰富的物理描述符:频率、组分、晶粒尺寸、晶格参数和磁化强度。所有四个模型在实部介电常数ε'和损耗角正切|tanδ|上均达到R2>0.999,且不确定区间相互重叠;M3模型因其物理可解释性最强的描述符集而被选用于后续分析。利用SHAP分析进行特征归因,稳健地区分了频率控制与组分控制的行为:频率主导|tanδ|,而组分级描述符主导ε'。在五种组分数据集的强描述符共线性下,单个组分级描述符之间的排序具有模型依赖性,无法将ε'稳健地归因于任何一个单一描述符。频率对电阻率的近零归因与该目标的频率无关构建方式一致。高斯过程回归提供了经验验证的置信区间(在标称95%水平上覆盖率为92%–95%),同时反映了低频区域(即Maxwell-Wagner极化最敏感的区域)预测不确定性的增加。多目标贝叶斯优化识别出约0.88 wt% V?O?作为1 kHz下平衡性能的模型建议组分,而当磁性能优先于介电质量时,该值急剧跳升至1.50 wt%。单次迭代的基于期望改进的分析建议约1.06 wt% V?O?作为下一个最值得合成的组分。这些数值作为模型建议的假设呈现,供未来实验验证。

# 引言

尖晶石铁氧体(通式MFe?O?,M = Mg、Ni、Co、Zn、Cu、Mn)凭借其高电阻率、低涡流损耗、机械硬度和化学稳定性,成为现代电子学中不可或缺的功能材料[1,2]。这些特性使其适用于天线棒、噪声滤波器、气体传感器、多层片式电感器、电磁干扰屏蔽和微波器件等广泛应用[3]。在尖晶石铁氧体中,氧化镁(MgFe?O?)作为一种具有高化学稳定性和低毒性的软磁n型半导体尤其具有吸引力[4,5]。它呈现部分反尖晶石结构,反转程度对合成路线和烧结条件敏感,使其成为组分和微观结构工程的优良基体材料。Nili-Ahmadababdi等人[6]证明Mg???Co?Fe?O?在x=0.15时,在Mg-Co铁氧体家族中实现了介电和磁性能的最佳平衡,该组分构成本研究的基础。

MgFe?O?基陶瓷合成中一个持续存在的挑战是,完全致密化需要约1400°C的高温烧结,这增加了能耗并限制了与共烧陶瓷多层技术的兼容性[7]。因此,低熔点添加剂被广泛用作烧结助剂,以实现低于1000°C的致密化[8,9]。其中,五氧化二钒(V?O?)(熔点670°C)尤为有效:其中温液相促进晶间扩散,加速致密化,并通过在晶界的优先偏析抑制晶粒过度生长。近期研究证实了V?O?作为烧结助剂在不同铁氧体组分中的普适性:Zhao等人[10]报道Bi?O?-V?O?联合掺杂显著降低了NiCuZn铁氧体的烧结温度,同时保持了优异的旋磁特性。在本材料体系中,Molaverdi等人[11]的实验研究表明,在1050°C下将V?O?从0.50增加到3.00 wt%时,晶粒尺寸从15.9 μm系统性地减小到7.0 μm,电阻率从4.0×103 Ω·cm提高到9.0×10? Ω·cm,并产生了非单调的磁化强度,在最大外加磁场下M(1kOe)=26.8 emu/g,在1.50 wt%时达到最大值。然而,晶粒尺寸、晶格参数、电阻率和宽频率范围内介电响应的同时耦合变化使得仅凭实验进行系统优化既耗时又昂贵,这促使采用机器学习方法。

Mg基钴及相关尖晶石铁氧体的结构-性能关系已被广泛研究,为本工作中使用的描述符提供了物理基础。在混合Co-Mg尖晶石体系中,Co2?和Mg2?阳离子在四面体(A)位和八面体(B)位之间的分布决定了晶格参数、磁化强度和矫顽力,这些量随组分系统性地变化[12]。这些位点占据度可以直接从X射线衍射中定量获得,并随替代元素含量系统性地变化[13],而穆斯堡尔谱和介电测量证实了电响应对由此产生的阳离子分布的敏感性[14,15]。对替代Mg基铁氧体和软磁纳米复合材料的相关研究建立了阳离子占据度、微观结构、电阻率和磁化强度之间的相同相关性[16,17]。Co-Mg替代铁氧体的频率依赖介电行为和交流电导率由Koops型微观结构中的界面(Maxwell-Wagner)极化以及八面体位上Fe2?和Fe3?离子间的热激活电子跳跃主导,可通过阻抗和电模形式及其等效电路模型进行分析[18]。在MgFe?O?中,相同的界面极化和晶界机制解释了低频介电色散和晶界主导的阻抗响应[19],而加工过程中结构和微观结构的演化,包括第二相的出现,已有充分记录[20]。这些研究共同建立了阳离子占据度、微观结构、电阻率和磁化强度之间的强相关性,这也是本研究机器学习框架中采用组分和微观结构信息描述符(晶格参数、晶粒尺寸、电阻率和磁化强度)的动力。

机器学习已成为加速材料发现和性能预测的变革性工具[21,22,23]。越来越多的文献表明,神经网络、高斯过程回归和梯度提升模型可以以远低于实验成本的方式高精度预测无机材料的结构、磁性和介电性能[24,25]。对于实验材料数据集,小数据挑战是一个特别重要的考量:大多数实验室研究涉及少于几十种组分,而针对大数据集开发的标准机器学习工作流程在此范围内可能过拟合、表现不佳或提供误导性的泛化估计。Xu等人[26]综述了专为材料科学中小数据机器学习设计的策略,包括物理信息描述符选择、主动学习和针对结构化实验数据集的交叉验证策略,本工作全部采用了这些策略。

大多数材料机器学习模型的一个关键局限是其黑箱性质:仅预测精度高并不能解释哪些物理描述符驱动了哪些性能,或者其原因是什么。因此,量化特征贡献的可解释性方法对于在预测能力之外建立物理理解至关重要。Oviedo等人[27]证明了利用SHAP(Shapley可加性解释)分析对介电数据训练的机器学习模型,可以恢复已知的经验结构-性能关系,既提供了模型验证又带来了新的物理洞见。这种方法对于铁氧体体系尤为强大,因为在铁氧体体系中,多个结构和微观结构变量通过不同的部分竞争机制同时贡献于介电、磁性和输运性能。

除预测和解释之外,材料工程中的一个关键目标是使用模型高效指导实验设计。贝叶斯优化[28]和基于不确定性引导获取函数的主动学习框架[29]提供了以最少实验次数识别最优组分的系统化策略。近期进展已证明多目标贝叶斯优化可以同时优化相互竞争的材料性能[30],这与铁氧体应用直接相关,因为在铁氧体应用中必须同时平衡介电质量和磁性能。

针对本V?O?掺杂Mg?.??Co?.??Fe?O?铁氧体体系先前开发的多层感知机模型[31],在实部介电常数ε'上达到了R2>0.9999。然而,该模型纯属预测性,缺乏物理描述符分析、模型可解释性、不确定性量化、多目标优化和实验设计指导。

本工作通过开发统一的物理信息机器学习框架解决了所有这些方面。首先,使用四个多层感知机(MLP)模型(M1–M4)进行系统描述符研究,这些模型具有递增的物理复杂性,识别了组分、晶粒尺寸、晶格参数和最大外加磁场下的磁化强度M(1kOe)的作用。为解释所学的结构-性能关系,SHAP分析被同时应用于介电常数、损耗角正切和电学电阻率,实现了特征层级的三输出比较。高斯过程回归(GPR)然后在组分-频率设计空间中提供了校准的不确定性估计。多目标贝叶斯优化联合最大化介电品质因数和最大外加磁场下的磁化强度,单次迭代的基于期望改进的分析识别了下一个最值得合成的组分作为模型建议的假设。二维GPR设计空间图描绘了全组分-频率空间中的高性能和高不确定性区域,在主动学习推荐的同时提供了收敛的实验设计指导。所有分析均限制在实验测量的组分范围0.50–3.00 wt% V?O?内进行插值,这一约束被明确报告并从物理上进行了论证。

综合来看,这些组成部分将该系统的机器学习处理从准确预测推进到了:预测可以信任到什么程度、哪些物理因素主导每项性能、以及下一个最值得执行的实验是什么。

# 分段摘要

## 样品制备

Mg?.??Co?.??Fe?O?粉末通过常规固相反应法合成。按照目标组分称取分析纯的赤铁矿(α-Fe?O?)、氧化镁(MgO)、氧化钴(Co?O?)和五氧化二钒(V?O?)并混合。氧化物混合物在乙醇中以300 rpm在行星式球磨机中湿法球磨3小时,球粉质量比为20:1,使用氧化锆磨介(见图1)。所得浆料进行干燥。

## 机器学习方法

图2概述了本工作开发的完整物理信息机器学习框架。以下各子节详细描述每个组件。

## MLP模型性能

表4和图3总结了在1050°C数据集上训练的所有四个MLP模型的测试集性能,使用方程(3)中定义的指标进行评估。所有四个模型在两个目标上均达到R2>0.98,证实这些铁氧体的频率依赖介电响应可以由在小实验数据集上训练的紧凑双层隐藏层神经网络捕获。为量化这些指标的可靠性,模型性能还以均值±一个标准差进行了评估。

## 结论

为V?O?掺杂Mg?.??Co?.??Fe?O?陶瓷开发了一种物理信息机器学习框架,结合了基于描述符的神经网络模型、不确定性量化、特征归因和多目标优化。模型高精度地重现了实部介电常数和损耗,所报告的不确定性通过留出数据进行了验证,在标称95%水平上的经验覆盖率为92%至95%。特征归因一致地将频率识别为……

## CRediT作者贡献声明

Fereshteh Molaverdi:撰写–原始草稿、验证、方法学、调查、形式分析、数据管理、概念化。Ahmad Yamin Rasa:撰写–审阅与编辑、可视化、调查。Ledia Shehu:撰写–审阅与编辑、可视化、数据管理。Yooseob Song:撰写–审阅与编辑、监督、项目管理、资金获取。

## 利益冲突声明

作者声明他们没有已知的竞争经济利益或个人关系可能影响本文所报告的工作。

Fereshteh Molaverdi | Ahmad Yamin Rasa | Ledia Shehu | Yooseob Song
美国阿拉巴马大学亨茨维尔分校,土木与环境工程系,亨茨维尔,阿拉巴马州
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号