Magnet design through physics informed machine learning

Hochleistungsmagnete spielen eine Schlüsselrolle bei grünen Technologien. Beispiele sind die nachhaltiger Energieerzeugung und der umweltfreundliche Verkehr. Um das klimapolitische Ziel von zwei Grad zu erreichen, ist eine schnelle Elektrifizierung des Antriebsstrangs erforderlich. Dadurch steigt die Nachfrage nach kritischen Materialien. Der durchschnittliche jährliche Neodymbedarf für Energietechnologien, Autos und Geräte wird sich zwischen 2015 und 2050 voraussichtlich verachtfachen. Neodym und schwere Seltenerdelemente wie Terbium und Dysprosium sind für den Einsatz von Permanentmagneten bei hohen Temperaturen wichtig. Um dem Versorgungsrisiko von Seltenerdelementen zu begegnen, werden Magnete ohne Terbium und Dysprosium und mit einem reduziertem Neodymgehalt entwickelt. Das erfordert neue Strategien beim Materialdesign. In diesem Projekt werden maschinelle Lernmethoden entwickelt, die das Magnetdesign durch die Integration physikalischer Modelle über alle relevanten Längenskalen unterstützt. Die Materialoptimierung kann unter Berücksichtigung der Rohstoffkosten erfolgen. In diesem Projekt werden eine weltweit führende Forschungsgruppe für Computersimulation und ein globaler Automobilhersteller zusammenarbeiten. Für die Simulation von magnetischen Materialien auf verschiedenen Längenskalen wurde hervorragende Software entwickelt. Der Antragsteller ist Autor einer mikromagnetischen Software, die Magnetisierungsprozesse auf mesoskopischer Ebene behandelt. Sie wird weltweit von Universitäten, Forschungseinrichtungen und Unternehmen für Magnetdatenspeicher, Magnetsensoren und die Entwicklung dauermagnetischer Materialien eingesetzt. Die Simulation von magnetischen Materialien ressourcenintensiv. Die Problemgröße ist begrenzt und die Simulationen sind zeitaufwendig. Daher wird eine numerische Optimierung, die die Materialeigenschaften auf unterschiedlichen Längen berücksichtigt, kaum angewendet. Maschinenlerntechniken können die Längenskalen überbrücken. Nach dem Training sind maschinelle Lernmodelle schnell und können für die Optimierung mehrerer Parameter verwendet werden. Eine hohe Magnetisierung und eine hohe magnetokristalline Anisotropie sind wesentliche Voraussetzungen für ein Permanentmagnetmaterial. Wir werden ein maschinelles Lernmodell erstellen, das die chemische Zusammensetzung auf Magnetisierung und Anisotropie abbildet. Das sind Eingangsparameter für mikromagnetische Simulationen mit deren Hilfe die Koerzitivfelder von Kern-Schale-Körnern auf massiv-paralleler Hardware berechnet werden. Damit wird eine Gradient-Boost-Regressor trainiert, der das Koerzitivfeld eines Korns wird mit dessen Geometrie und dessen Seltenerdgehalt verknüpft. Das Einzelkornmodell ist der Baustein eines Modells reduzierter Ordnung für die Ummagnetisierung, das magnetische Wechselwirkungen zwischen den Körnern des Magneten berücksichtigt. Eine weitere Beschleunigung der Berechnung von Magnetisierungskurven wird durch ein neuronales Netzwerkmodell für die Domänenentwicklung im latenten Raum erreicht. Zum Test des Modells werden Simulationsergebnisse mit gemessenen Umkehrkurvendiagrammen erster Ordnung verglichen werden. Durch coarse-graining wird ein effektiven Permeabilitätstensor bestimmt. Dieser wird in einem quasistatischen Maxwell-Löser eingesetzt. Auf der Makroskala wird ein neuronales Netz zur schnellen Magnetfeldschätzung entwickelt. Die vorgeschlagene Methodik gibt ein zweifaches Optimierungspotenzial: Auf mikroskopischer Ebene werden die chemische Zusammensetzung und die Geometrie eines Kern-Schale-Korns optimiert. Auf der Geräteebene ordnet die Multimaterialoptimierung hochkoerzitive (und teure) Materialien nur den Regionen zu, die starken Entmagnetisierungsfeldern ausgesetzt sind.