Design of Nanocomposite Magnets by Machine Learning

Permanente Magnete sind entscheidende Komponenten in nachhaltigen Technologien wie Elektrofahrzeugen und Windkraftanlagen. Die Herstellung von Hochleistungsmagneten hängt derzeit jedoch stark von Seltenen Erden ab, was aufgrund der steigenden Nachfrage nach diesen Materialien zu einem Mangel führen könnte. Um diesem Problem zu entgegnen, werden alternative Magnete mit deutlich geringerem Gehalt an Seltenen Erden benötigt.

Eine vielversprechender Ansatz ist ein Zweiphasenmagnet, der sowohl magnetisch harte als auch weiche Bereiche enthält. Ziel dieses Projekts ist es, die optimale räumliche Verteilung dieser Phasen zu finden, um den Gehalt an Seltenen Erden zu reduzieren und gleichzeitig eine hohe magnetische Leistung aufrechtzuerhalten. Für diese Aufgabe werden schnelle, massiv parallelisierte mikromagnetische Simulationen und künstliche Intelligenz kombiniert.

Es wird ein Programm entwickelt, um automatisch eine große Anzahl von Simulationen für verschiedene harte/weiche Magnetverteilungen durchzuführen. Die Ergebnisse werden als Trainingsdaten für ein neuronales Netzwerk namens Predictor verwendet. Der Predictor wird lernen, wie sich Materialzusammensetzung und geometrische Eigenschaften auf die Leistung des Magneten auswirken. Das trainierte Netzwerk wird dann invers als Designer-Netzwerk verwendet, um die Materialzusammensetzung und geometrischen Eigenschaften zu optimieren. In einem aktiven Lernschema werden die vorhergesagten Designs durch mikromagnetische Simulationen validiert und als Trainingsdaten in das neuronale Netzwerk zurückgeführt.

Letztendlich wird das generative neuronale Netzwerk für die inverse Gestaltung von Hochleistungs-, Seltenen Erden-reduzierten permanenten Magneten neue Richtlinien für die Herstellung umweltfreundlicher permanenter Magnete für nachhaltige Technologien bieten.