Beyond Stoner-Wohlfarth: Machine-Learning Models and Symbolic Regression of Hard-Magnet Properties

Sintesi Tecnica: Oltre lo Stoner–Wohlfarth: Modelli di Machine Learning e Regressione Simbolica delle Proprietà dei Magneti Hard

Definizione del Problema
Prevedere le proprietà magnetiche estrinseche dei magneti permanenti — specificamente il campo coercitivo ($H_c$), la magnetizzazione remanente ($M_r$) e il prodotto di energia massima ($BH_{max}$) — partendo dai loro parametri micromagnetici intrinseci (magnetizzazione di saturazione $M_s$, costante di scambio $A$ e costante di anisotropia unassiale $K$) è una sfida fondamentale nella scienza dei materiali. Sebbene i modelli analitici stabiliti (ad es. Stoner–Wohlfarth e Kronmüller) forniscano stime utili, essi spesso non riescono a tenere conto dei processi di magnetizzazione non uniformi e delle complessità microstrutturali. Al contrario, le simulazioni micromagnetiche dirette, che catturano questi dettagli, sono computazionalmente costose e richiedono spesso ore o giorni per ogni set di parametri, ostacolando così la rapida esplorazione e l'ottimizzazione dei materiali.

Metodologia
Gli autori affrontano questo divario addestrando modelli surrogati di machine learning (ML) su un dataset di 12.012 simulazioni micromagnetiche di un grano cubico isolato idealizzato (lato di 50 nm). Le simulazioni sono state eseguite utilizzando il codice MaMMoS-MuMag (un solver a elementi finiti basato su JAX) attraverso ampi intervalli di parametri intrinseci:

• $M_s$: da $7,96 \times 10^4$ a $3,98 \times 10^6$ A/m
• $A$: da $10^{-13}$ a $10^{-11}$ J/m
• $K$: da $10^4$ a $10^7$ J/m³

Il dataset è stato filtrato per garantire la validità fisica (ad es. escludendo i casi in cui la lunghezza di scambio o la larghezza del dominio erano inferiori alla dimensione della mesh di 1 nm) e per rimuovere le simulazioni in cui la magnetizzazione non si invertiva nell'intervallo di campo applicato. Ciò ha portato a 9.957 campioni validi per l'addestramento.

Lo studio impiega un approccio multi-stadio:

1. Classificazione: Un algoritmo di clustering k-means distingue tra regimi magnetici "hard" e "soft" in base alla rimanenza normalizzata ($M_r/M_s$).
2. Modellazione Forward: Cinque architetture ML (Regressione Lineare, LASSO, Random Forest, Processo Gaussiano e Rete Neurale Completamente Connessa) sono state addestrate per predire $H_c$, $M_r$ e $BH_{max}$ da $M_s$, $A$ e $K$.
3. Regressione Simbolica: Utilizzando la libreria PySR, gli autori hanno cercato espressioni analitiche in forma chiusa che si adattassero ai dati di simulazione, con l'obiettivo di recuperare leggi fisiche interpretabili.
4. Modellazione Inverse: La mappatura è stata invertita per predire i parametri intrinseci ($M_s$, $A$, $K$) partendo dagli output estrinseci ($H_c$, $M_r$, $BH_{max}$).

Contributi Chiave e Risultati

• Accuratezza Predittiva Superiore: Testati rispetto ai modelli analitici su un set di test non utilizzato, i modelli ML hanno superato significativamente gli approcci analitici tradizionali. I modelli Random Forest (RF) e il Processo Gaussiano (GP) hanno ottenuto gli errori più bassi. Per il campo coercitivo, l'RF ha ridotto l'errore quadratico medio (RMSE) da 195 kA/m (modello Kronmüller adattato) a 92 kA/m, mentre il GP ha raggiunto i 18 kA/m. Miglioramenti simili sono stati osservati per $M_r$ e $BH_{max}$.
• Scoperte della Regressione Simbolica: La regressione simbolica ha recuperato con successo la forma di Kronmüller per il campo coercitivo, ma con una novità: il fattore di demagnetizzazione efficace ($N_{eff}$) è risultato essere una funzione delle proprietà del materiale piuttosto che una costante. Nello specifico, la legge derivata è $H_c = [\alpha - n \ln \tilde{L}/\kappa] H_A$, dove $\tilde{L}$ è la dimensione ridotta del grano e $\kappa$ è il parametro di durezza magnetica. Gli autori hanno inoltre scoperto nuove espressioni in forma chiusa per $M_r$ e $BH_{max}$ che includono correzioni basate sulla dimensione del grano e sull'anisotropia, non presenti nella letteratura standard. Queste leggi simboliche, contenenti al massimo due costanti adattate, si sono avvicinate all'accuratezza dei surrogati ML.
• Importanza delle Caratteristiche e Problema Inverso: L'analisi ha rivelato che $M_s$ e $K$ sono i fattori dominanti nel determinare le proprietà estrinseche, mentre la costante di scambio $A$ ha un'influenza debole. Di conseguenza, il problema inverso (recuperare i parametri intrinseci dai parametri estrinseci) ha prodotto risultati accurati per $M_s$ e $K$, ma non è riuscito a recuperare accuratamente $A$. Gli autori attribuiscono ciò non a un fallimento del modello, ma alla realtà fisica secondo cui $A$ influenza solo debolmente il ciclo di isteresi, rendendo impossibile vincolarlo univocamente partendo dai tre parametri estrinseci.
• Efficienza Computazionale: La pipeline addestrata, rilasciata tramite il pacchetto Python mammos-ai, consente di esaminare migliai di candidati set di parametri in pochi secondi. Ciò rappresenta un'accelerazione di oltre tre ordini di grandezza rispetto alle simulazioni micromagnetiche dirette (che richiedono circa 147 minuti per campione su una GPU).

Significato e Ambito
L'articolo sostiene di fornire un quadro robusto e basato sui dati per colmare il divario tra i parametri intrinseci dei materiali e le prestazioni magnetiche estrinseche. Combinando gli accurati surrogati ML con la regressione simbolica interpretabile, il lavoro offre sia potere predittivo che intuizione fisica, recuperando le forme analitiche stabilite pur identificando le correzioni necessarie.

Gli autori limitano esplicitamente l'ambito delle loro affermazioni a un grano cubico isolato idealizzato con il campo allineato all'asse facile. Essi riconoscono che i materiali reali coinvolgono difetti microstrutturali, bordi di grano, disorientamento e attivazione termica, che sono assenti nel loro modello. Pertamente, i modelli predicono le proprietà di un grano ideale privo di difetti; le discrepanze con le misurazioni sperimentali nei magneti reali sono attribuite a questi fattori microstrutturali mancanti. L'utilità primaria del lavoro è lo screening rapido di candidati set di parametri per guidare ulteriori indagini più dettagliate o per comprendere i limiti fondamentali delle prestazioni di un grano ideale. I modelli e le leggi sono messi a disposizione della comunità per facilitare questa rapida esplorazione.