🔬 materials science

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

本論文は、12,000件を超えるマイクロマグネティック・シミュレーションを用いて学習させた機械学習モデルおよび記号回帰を導入することで、硬磁性体の外因的特性を正確に予測し、内因的パラメータを復元する手法を提示しており、従来の解析モデルや直接的なシミュレーションに代わる計算効率の高い選択肢を提供するものである。

原著者： Samuel J. R. Holt, Christina Winkler, Timoteo Colnaghi, Martin Lang, Swapneel A. Pathak, Andrea Petrocchi, Michael Adams, Thomas Schrefl, Andreas Marek, Hans Fangohr

公開日 2026-08-03

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Samuel J. R. Holt, Christina Winkler, Timoteo Colnaghi, Martin Lang, Swapneel A. Pathak, Andrea Petrocchi, Michael Adams, Thomas Schrefl, Andreas Marek, Hans Fangohr

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、超強力な磁石の新しいレシピを完成させようとしている熟練のシェフだと想像してください。あなたには、材料のリストがあります。磁気的な「もの」がどれくらい入っているか（飽和磁化）、原子同士がどれほど強く手を繋いでいるか（交換相互作用定数）、そして原子がどちらを向くかに対してどれほど頑固か（異方性定数）です。現実の世界では、最終的な磁石がどれほど強力になるか、つまり、その磁力を引き剥がすのがどれほど難しいか、あるいはどれほどのエネルギーを蓄えられるかを知るためには、通常、一度バッチを焼き上げ、テストして、何が起こるかを確認しなければなりません。しかし、コンピューターの中でこれらの磁気的な「ケーキ」を焼くことは非常に遅く、コストがかかります。たった一つの小さな粒子の材料をシミュレーションするだけで、数時間、あるいは数日かかることもあるのです。

何十年もの間、科学者たちは、単純な数学的レシピを用いて結果を予測しようとしてきました。例えば「ストーナー・ウォルフスパルト」モデルのようなものです。これらの古いレシピは、磁石の中のすべての原子が、完璧な兵士のように一糸乱れぬ足取りで行進していると仮定していると考えてください。これは大まかな概念を与えてくれますが、原子が揺れたり、ねじれたり、小さな渦を形成したりするという、乱雑な現実を無視しています。大きな疑問は、「シミュレーションに何日も待つことなく、材料を見るだけで、最終的な磁石の強さを予測できるか？」ということです。これは、より優れた磁石が、より効率的な電気モーター、よりクリーンなエネルギー生成、そしてより高速なデータストレージをもたらすため、非常に重要なことです。

この論文において、研究チームは、コンピューターに古い数学的レシピよりも優れたシェフになるよう教えることに決めました。彼らは単に推測したのではなく、完璧な立方体状の磁気粒子の仮想シミュレーションを12,000回以上も作り上げ、膨大なデータセットを構築しました。彼らはこれらの結果を機械学習モデルに投入し、本質的に、材料がどのように混ざり合って最終的な磁石を作り出すのかという、複雑で隠されたルールをコンピューターに学習させたのです。その結果、彼らのスマートなコンピューターモデルは、古い公式よりもはるかに高い精度で、磁石の強度、その「粘り強さ」（残留磁化）、およびエネルギーポテンシャルを予測できることを見出しました。

しかし、ここには巧妙なひねりがあります。研究者たちは、説明なしに答えを出すだけの「ブラックボックス」を求めたわけではありませんでした。彼らは「記号回帰（シンボリック・リグレッション）」と呼ばれる手法を用いました。これは、コンピューターに自身が学んだ実際の数学的レシピを書き出させるようなものです。驚いたことに、コンピューターは、磁石の向きを反転させるのがどれほど難しいか（保磁力）に関する有名な古い公式を再発見しましたが、そこに材料に依存するわずかな新しい補正を加えたものでした。さらに、他の2つの特性についても、これまで誰も書き記したことのない、全く新しいシンプルな数学的公式を作り出しました。これらの新しい公式は、複雑なコンピューターの脳に匹沢する精度を持ちながら、ナプキンに書けるほどシンプルです。

チームはまた、逆の試みも行いました。つまり、最終的な磁石の強さを見て、その材料が何であったかを推測することです。彼らは、磁気的な「もの」がどれくらいあったか、そして原子がどれほど頑固であったかを正確に特定できることを見出しました。しかし、彼らは「手の繋ぎ方」の強さ（交換相互作用定数）において壁に突き当たりました。結局のところ、この特定の材料は最終的な結果に対して極めて微小な影響しか与えないため、最も賢いコンピューターであっても、完成した磁石を見るだけでそれを信頼性高く推測することはできないのです。

最後に、研究者たちは訓練されたモデルをすべて mammos-ai という無料ツールにパッケージ化しました。シミュレーションを何時間も待つ代わりに、ユーザーは材料を入力するだけで、わずかな時間で予測を得ることができます。これらのモデルは、コンピューター上の理想的で完璧な立方体に対しては完璧に機能しますが、著者らは、現実世界の磁石は乱雑であり、欠陥や粒界が存在することを指摘しています。これらの単純なモデルはまだそれらを見ていません。それでも、この研究は、何千もの潜在的な磁石のレシピを数秒でスクリーニングするための、強力で、かつ驚くほどシンプルな方法を提供しており、より優れた永久磁石のより迅速な発見への道を切り開いています。

技術要約：ストーナー・ウォルフルト理論を超えて：硬磁性特性の機械学習モデルと記号回帰

問題提起
永久磁石の外部磁気特性（具体的には保磁力 $H_c$ 、残留磁化 $M_r$ 、最大エネルギー積 $BH_{max}$ ）を、その内部的なマイクロマグネティック・パラメータ（飽和磁化 $M_s$ 、交換定数 $A$ 、一軸異方性定数 $K$ ）から予測することは、材料科学における根本的な課題である。確立された解析モデル（ストーナー・ウォルフルトやクロムラーなど）は有用な推定値を提供するものの、非一様な磁化プロセスや微細構造の複雑性を考慮できないことが多い。一方、これらの詳細を捉えることができる直接的なマイクロマグネティック・シミュレーションは計算コストが高く、パラメータセットごとに数時間から数日を要する場合があり、迅速な材料探索や最適化を阻害している。

手法
著者らは、理想化された孤立した立方体粒子（一辺 50 nm）のデータセット（12,012 個のマイクロマグネティック・シミュレーション）を用いて、機械学習（ML）サロゲートモデルを訓練することでこのギャップに対処している。シミュレーションは、MaMMoS-MuMag コード（JAX ベースの有限要素法ソルバー）を用い、広範な内部パラメータ範囲で行われた：

$M_s$ : $7.96 \times 10^4$ ～ $3.98 \times 10^6$ A/m
$A$ : $10^{-13}$ ～ $10^{-11}$ J/m²
$K$ : $10^4$ ～ $10^7$ J/m³
データセットは、物理的な妥当性を確保するためにフィルタリングされ（例：交換長または磁壁幅が 1 nm のメッシュサイズよりも小さくなるケースを除外）、印加磁場範囲内で磁化が反転しなかったシミュレーションも除外された。これにより、訓練用に 9,957 個の有効なサンプルが得られた。

本研究では、多段階のアプローチを採用している：

分類: k-means クラスター法を用いて、正規化された残留磁化比（ $M_r/M_s$ ）に基づき、「硬磁性」と「軟磁性」の領域を区別する。
順方向モデリング: $M_s, A, K$ から $H_c, M_r, BH_{max}$ を予測するために、5 つの ML アーキテクチャ（線形回帰、LASSO、ランダムフォレスト、ガウス過程、および全結合ニューラルネットワーク）を訓練した。
記号回帰: PySR ライブラリを使用し、解釈可能な物理法則を回収することを目的として、シミュレーションデータに適合する閉形式の解析式を探索した。
逆方向モデリング: マッピングを反転させ、外部出力（ $H_c, M_r, BH_{max}$ ）から内部パラメータ（ $M_s, A, K$ ）を予測した。

主な貢献と結果

優れた予測精度: ホールドアウト・テストセットを用いた解析モデルとの比較において、ML モデルは従来の解析的手法を大幅に上回る性能を示した。ランダムフォレスト（RF）とガウス過程（GP）モデルが最も低い誤差を達成した。保磁力については、RF が平方根平均二乗誤差（RMSE）を 195 kA/m（適合させたクロムラー・モデル）から 92 kA/m に低減し、GP は 18 kA/m を達成した。同様の改善が $M_r$ および $BH_{max}$ でも観察された。
記号回帰による発見: 記号回帰は、保磁力に対してクロムラーの形式を回収することに成功したが、新たな展開を加えた。具体的には、有効減磁係数（ $N_{eff}$ ）が定数ではなく、材料特性の関数であることが判明した。導出された法則は $H_c = [\alpha - n \ln \tilde{L}/\kappa] H_A$ であり、ここで $\tilde{L}$ は縮退した粒子サイズ、 $\kappa$ は磁気的硬度パラメータである。また、標準的な文献には存在しない、粒子サイズと異方性に基づく補正を含む $M_r$ と $BH_{max}$ の新しい閉形式の式も発見された。これらの記号的な法則は、最大 2 つの適合定数を含み、ML サロゲートモデルの精度に迫るものであった。
特徴量の重要性と逆問題: 解析により、 $M_s$ と $K$ が外部特性を決定する支配的な要因であり、交換定数 $A$ の影響は弱いことが明らかになった。その結果、逆問題（外部特性から内部パラメータを回収すること）においては、 $M_s$ と $K$ の回収は正確であったが、 $A$ の回収には失敗した。著者らはこれをモデルの失敗ではなく、物理的な現実によるものと考えている。すなわち、 $A$ がヒステリシスループに与える影響が極めて弱いため、3 つの外部指標のみから一意に制約を与えることは不可能であるという事実である。
計算効率: mammos-ai Python パッケージとして公開された訓練済みパイプラインにより、数千の候補パラメータセットを数秒でスクリーニングすることが可能である。これは、直接的なマイクロマグネティック・シミュレーション（GPU 使用で 1 サンプルあたり約 147 分）と比較して、3 桁以上の高速化を実現している。

意義と範囲
本論文は、内部的な材料パラメータと外部的な磁気性能の間の溝を埋めるための、堅牢でデータ駆動型のフレームワークを提供すると主張している。高精度な ML サロゲートと解釈可能な記号回帰を組み合わせることで、本研究は予測力と物理的洞察の両方を提供し、既存の解析形式を回収すると同時に、必要な補正を特定している。

著者らは、自らの主張の範囲を、**「磁場が容易軸に沿った、理想化された孤立した立方体粒子」**に限定していることを明示している。実際の材料には、本モデルには含まれていない微細構造の欠陥、粒界、配向のずれ、熱活性化が存在することを認めている。したがって、これらのモデルは理想的な欠陥のない粒子の特性を予測するものである。実際の磁石の実験値との相違は、これら欠落している微細構造的要因に起因するとされている。本研究の主な用途は、さらなる詳細な調査を導くため、あるいは理想的な粒子の性能の根本的な限界を理解するための、候補パラメータセットの迅速なスクリーニングである。迅速な探索を促進するため、モデルと法則はコミュニティに公開されている。

関連論文