机器学习驱动的稀土永磁材料多性能预测

《npj Computational Materials》：Machine learning driven multi-property prediction for rare earth permanent magnet materials

　　

摘要

稀土永磁体是能源工程和智能制造等战略性新兴产业领域的关键功能材料。混合稀土金属（MM）基合金有助于提高稀土资源利用率，但传统的试错实验存在周期长、变量控制繁琐等问题。在本工作中，我们通过将六种机器学习模型与三种超参数优化算法耦合，建立了 18 种模型优化组合。针对具有不同目标属性的数据集进行了系统测试，包括居里温度 T_c、剩磁 B_r、饱和磁化强度 M_s、矫顽力 H_c 和最大磁能积 (BH)_max。对于 T_c 预测，14 种组合的决定系数 R² > 0.9。对于小样本数据集 B_r 和 M_s，8 种组合保持了 R² > 0.79，并具有令人满意的泛化能力。最佳组合，即极端梯度提升耦合灰狼优化器，被进一步应用于预测 MM_xFe_yB_100-x-y 的 H_c 和 (BH)_max。H_c 和 (BH)_max 的高性能区域分别为 x = 0.14 – 0.16, y = 0.79 – 0.80 和 x = 0.125 – 0.13, y = 0.79 – 0.795。其预测结果与实验数据非常吻合，平均误差仅为 0.317 kOe 和 0.016 MGOe。这些发现为机器学习驱动的永磁体材料设计和性能优化提供了指导。