High-throughput Discovery of Magnetic Rare Earth Transition Metal Alloys

Das moderne Leben basiert auf unsichtbaren Kräften. Die Elektromotoren, die Autos antreiben, die Generatoren, die Windturbinen speisen, und die winzigen Antriebe in Computern hängen alle von Permanentmagneten ab. Dies sind Materialien, die ein Magnetfeld aufrechterhalten, ohne dass Elektrizität benötigt wird, um sie aktiv zu halten. Seit Jahrzehnten verlassen sich die besten Magnete auf eine bestimmte Familie von Metallen: Seltenerdelemente, gemischt mit Übergangsmetallen wie Eisen oder Kobalt. Obwohl diese Materialien hervorragend funktionieren, sind sie teuer und ihre Lieferketten sind anfällig. Wissenschaftler vermuten schon lange, dass es andere, bessere Kombinationen von Atomen gibt, die darauf warten, entdeckt zu werden, aber die Anzahl der möglichen Mischungen ist so gewaltig, dass der Versuch, sie nacheinander im Labor zu testen, Jahrhunderte dauern würde.

Um dies zu lösen, haben Forscher eine neue Art der Suche gewählt. Anstatt Chemikalien in einem Becherglas zu mischen, nutzen sie leistungsstarke Computer, um Millionen neuer Kristallstrukturen zu imaginieren. Diese Strukturen sind die sich wiederholenden Muster, in denen sich Atome anordnen. Indem sie künstliche Intelligenz verwenden, um diese Muster zu generieren, und sie dann mit fortschrittlichen Physiksimulationen testen, können Wissenschaftler vielversprechende Kandidaten finden, noch bevor sie jemals ein Labor betreten. Dieser Ansatz ermöglicht es ihnen, nach Materialien zu suchen, die nicht nur magnetisch, sondern auch stabil genug sind, um in der realen Welt zu existieren. Das Ziel ist es, Magnete zu finden, die stärker und zuverlässiger sind als alles, was derzeit verfügbar ist, potenziell unter Verwendung häufiger vorkommender Elemente, um Kosten und Versorgungsrisiken zu senken.

Ein Forschungsteam der University of North Carolina at Charlotte und der University of Virginia hat diese Hochgeschwindigkeits-Entdeckungsmethode nun auf die Suche nach neuen Seltenerdmagneten angewandt. Sie konzentrierten sich auf Kombinationen von Seltenerdelementen, speziell Yttrium und Samarium, gemischt mit Eisen, Kobalt und Nickel sowie einigen anderen Metallen, die als Stabilisatoren dienen sollen. Das Team begann damit, ein generatives KI-Modell anzuweisen, Kristallstrukturen für über dreitausend verschiedene chemische Rezepte zu erstellen. Das Modell erzeugte nahezu 240.000 einzigartige Anordnungen von Atomen. Dies war kein blindes Raten; das Modell wurde mit bekannten stabilen Materialien trainiert und darauf konditioniert, Strukturen zu erstellen, die spezifischen chemischen Regeln entsprechen, um sicherzustellen, dass die resultierenden Muster physikalisch plausibel sind.

Nachdem der Computer diese 240.000 Möglichkeiten generiert hatte, mussten die Forscher sie auf die vielversprechendsten wenigen reduzieren. Sie nutzten einen zweistufigen Screening-Prozess. Zuerst führten sie eine schnelle Machine-Learning-Simulation durch, um zu prüfen, welche Strukturen wahrscheinlich stabil wären. Dieser Schritt eliminierte die überwiegende Mehrheit der Kandidaten und hinterließ nur wenige tausend, die einer genaueren Betrachtung lohnenswert erschienen. Danach unterzogen sie diese Überlebenden einer wesentlich strengeren und präziseren Physikberechnung, bekannt als Dichtefunktionaltheorie. Dieser Schritt bestätigte, welche Strukturen tatsächlich stabil waren, und berechnete deren magnetische Stärke. Das Ergebnis war eine Liste von mehr als 300 magnetischen Niedrigenergie-Kandidaten. Unter diesen wurden fünf als thermodynamisch stabil identifiziert, was bedeutet, dass sie von Natur aus existieren können, ohne auseinanderzufallen.

Die aufregendste Erkenntnis war die Stärke der entdeckten Magnete. Die besten Kandidaten waren reich an Eisen, dem Element, das den Großteil der magnetischen Kraft liefert. Eine spezifische Kombination, bestehend aus Samarium und Eisen, erreichte eine Sättigungsmagnetisierung von etwa 1,8 Tesla. Dies ist ein Maß dafür, wie stark das Magnetfeld ist, wenn das Material vollständig magnetisiert ist. Zum Vergleich: Dies ist signifikant stärker als viele derzeit kommerziell erhältliche Magnete. Ein weiterer Spitzenreiter, eine Mischung aus Yttrium, Eisen und Titan, erreichte ebenfalls fast 1,8 Tesla. Die Forscher fanden heraus, dass die Stärke des Magneten stark davon abhing, wie viele Eisenatome in die Struktur gepackt wurden. Je mehr Eisen sie in das Kristallgitter einbauen konnten, desto stärker wurde der Magnet.

Die Studie enthüllte auch, wie diese neuen Magnete aufgebaut sind. Die meisten der erfolgreichen ternären Verbindungen – also jene mit drei verschiedenen Arten von Metallen – waren keine völlig neuen Formen. Stattdessen handelte es sich um Variationen bekannter binärer Strukturen, bei denen eine Art von Atom auf eine sehr spezifische Weise durch eine andere ersetzt wurde. Die Forscher fanden heraus, dass die neuen Metalle, wie Mangan oder Titan, in das Kristallgitter passten, indem sie die Positionen aufteilten, an denen die ursprünglichen Atome saßen. Dieser Prozess, bekannt als Wyckoff-Platz-Aufspaltung (Wyckoff site splitting), erlaubte es den neuen Atomen, die Struktur zu stabilisieren, ohne die magnetische Ausrichtung zu zerstören. Die Analyse zeigte, dass Mangan eine besonders gute Wahl für diese Substitutionen war, da es seine magnetische Richtung mit der der Eisenatome ausrichtete und so zur Gesamtstärke beitrug. Im Gegensatz dazu richtete sich Chrom in die entgegengesetzte Richtung aus, was den Magneten schwächte. Dies liefert einen klaren Leitfaden für zukünftige Experimente: Wenn man einen stärkeren Magneten möchte, wähle Dotierungen, die mit dem Eisen übereinstimmen.

Obwohl der Computer diese 300 Kandidaten fand, merkten die Forscher an, dass die Suche durch die Größe der Strukturen begrenzt war, die die künstliche Intelligenz generieren konnte. Das Modell war auf Kristalle beschränkt, die nicht mehr als 20 Atome enthielten. Das Team schlägt vor, dass sie, falls sie diese Suche auf größere Kristalle mit mehr als 20 Atomen ausweiten können, noch mehr eisenreiche Strukturen mit einer Magnetisierung von über 1,8 Tesla finden könnten. Die Arbeit zeigt, dass dieser generative Ansatz ein mächtiges Werkzeug ist, um die komplexe Landschaft der Materialwissenschaften zu navigieren. Er geht über die langsamen Trial-and-Error-Methoden der Vergangenheit hinaus und bietet einen systematischen Weg zur Entdeckung von Materialien, die eines Tages die nächste Generation von Elektrofahrzeugen und grünen Energietechnologien antreiben könnten. Der Weg nach vorn ist klar: die Modelle zu verfeinern, um größere Strukturen zu handhaben, und diese vorhergesagten Kandidaten im Labor zu testen, um zu sehen, ob sie realisierbar sind.