Design of Nanocomposite Magnets by Machine Learning

Dauermagnete sind eine Schlüsseltechnologie für eine nachhaltige Entwicklung. Derzeit basieren Hochleistungsmagnete, die für Motoren und Generatoren verwendet werden, auf Nd-Fe-B. Um eine Verknappung der Seltenen Erden zu vermeiden, die durch den erhöhten Bedarf an Elektrifizierung des Verkehrs und der Energieerzeugung verursacht wird, werden alternative Dauermagnete mit einem deutlich geringeren Seltenerdanteil benötigt. Nanokomposit-Magnete, die eine magnetisch harte Phase mit einer magnetisch weichen Phase kombinieren, zeigen hervorragende Eigenschaften bei gleichzeitiger Reduzierung des Seltenerdanteils. Dies erfordert jedoch ein sorgfältiges Design der Nanostruktur des Magneten, damit die Austauschhärtung der Weichphasen ein ausreichend hohes Koerzitivfeld gewährleistet. Außerdem hängt die Phasenverteilung von der makroskopischen Form der magnetischen Körner ab. Durch die Kombination von schnellen, massiv-parallelen mikromagnetischen Simulationen und künstlicher Intelligenz werden wir die Nanostruktur von Hochleistungs-Permanentmagneten optimieren, um das Energiedichteprodukt zu erhöhen und den Gehalt an Seltenen Erden zu reduzieren. Es wird eine inverse neuronale Netzoptimierungsschleife mit maßgeschneiderten Optimierungsmethoden für begrenzte Mengen an Trainingsdaten entwickelt. Die Optimierungsschleife wird ein anwendungsorientiertes Design zukünftiger Dauermagnete über konventionelle Designmethoden hinaus ermöglichen. Es wird ein Framework entwickelt um parametrisierbare Finite-Elemente-Netze zu generieren und eine große Anzahl an schnellen und hocheffizienten mikromagnetischen Simulationen durchzuführen, deren Ergebnisse als Trainingsdaten für ein neuronales Netz dienen. Ein generatives inverses Designnetz wird entwickelt: Zwei neuronale Netze, der Prädiktor und der Designer, arbeiten in einem aktiven Lernschema zusammen, um neue vorteilhafte Zusammensetzungen zu finden. Für das Training werden Lernmethoden höherer Ordnung implementiert und angepasst. Das Designnetzwerk wird mit einfachen, gut verstandenen Nanostrukturen validiert. In einem weiteren Schritt passen wir das maschinelle Lerndesign an, um nach der optimalen Freiformverteilung von hart- und weichmagnetischen Phasen zu suchen. Wir entwickeln ein generatives tiefes neuronales Netzwerk für das inverse Design von leistungsstarken, Seltene-Erden-reduzierten Dauermagneten. Wir werden die Grenzen der nanostrukturellen Designstrategien für Dauermagnete bis an die theoretische Grenze verschieben, indem wir die optimale Materialverteilung finden. Unsere Erkenntnisse werden neue Richtlinien für die Herstellung wettbewerbsfähiger, umweltfreundlicher Dauermagnete für grüne Technologien liefern.