🔬 materials science

Coercivity-Aware Machine Learning Discovery of Rare-Earth-Free Soft Magnetic Alloys with First-Principles Magnetic Benchmarks

본 논문은 희토류가 없는 철-코발트(Fe-Co) 함량이 높은 연자성 합금을 식별하고 우선순위를 정기 위해 실험 데이터 스크리닝과 제일원리 자기적 벤치마크를 통합하는 보자력 인지 머신러닝 프레임워크를 제시하며, 이 과정에서 조성별 그룹화 검증의 결정적 중요성과 보자력 예측에 미치는 미세구조의 뚜렷한 영향을 강조한다.

원저자: Avik Mahata, David Priefer

게시일 2026-10-05

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Avik Mahata, David Priefer

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 사회는 전기로 움직이지만, 그 전력을 효율적으로 이동시키기 위해서는 단순히 전선만으로는 부족합니다. 자기장을 쉽게 유도할 수 있는 재료가 필요합니다. 이러한 재료를 연자성 재료라고 부르며, 이들은 전기 모터, 변압기, 그리고 자동차 충전 시스템 내부에서 묵묵히 일하는 일꾼 역할을 합니다. 이러한 장치들이 잘 작동하려면 재료가 에너지 손실 없이 자기 방향을 빠르게 전환할 수 있어야 하는데, 이 성질을 낮은 변화 저항 또는 보자력이라고 합니다. 또한, 큐리 온도라고 불리는 특정 온도 임계값에서도 자성을 유지해야 합니다. 수십 년 동안 엔지니어들은 이러한 재료의 성능을 높이기 위해 희토류 원소에 의존해 왔지만, 이 원소들은 비싸고 공급이 불안정합니다. 이로 인해 철, 코발트, 니켈과 같은 흔한 금속으로 만들어지면서도 희토류의 비용 없이 동일한 역할을 수행할 수 있는 새로운 합금을 찾아야 한다는 시급한 과제가 생겨났습니다.

새로운 재료를 찾는 데 있어 어려움은 그 성능이 화학적 배합과 제조 방식의 복잡한 조합에 달려 있다는 점입니다. 화학적 구성이 완전히 동일한 두 금속이라도 하나를 빠르게 냉각하고 다른 하나를 느리게 냉각하면 매우 다르게 작동할 수 있습니다. 이 때문에 단순히 성분 목록을 보는 것만으로는 어떤 새로운 원소 조합이 가장 잘 작동할지 예측하기 어렵습니다. 한 연구팀은 과거의 실험으로부터 학습하면서도 과적합(overfitting)을 방지하도록 설계된 새로운 종류의 컴퓨터 모델을 구축함으로써 이 문제를 해결했습니다. 연구진은 모델이 이미 본 데이터를 단순히 테스트하는 대신, 이전에 접해보지 못한 완전히 새로운 화학적 배합의 특성을 예측하도록 강제했습니다. 이 접근 방식은 재료가 자성을 잃기 전까지 얼마나 뜨거워질 수 있는지는 예측할 수 있지만, 자기 방향을 얼마나 쉽게 바꿀 수 있는지를 예측하는 것은 제조 공정에 매우 민감하기 때문에 훨씬 더 어렵다는 것을 밝혀냈습니다.

이를 해결하기 위해 연구진은 과학 문헌으로부터 방대한 실험 데이터를 수집하여 1,700개 이상의 자성 재료 기록을 정리했습니다. 그들은 이 데이터를 머신러닝 시스템을 훈련시키는 데 사용했지만, 엄격한 규칙을 설정했습니다. 즉, 시스템이 알려진 화학적 배합 그룹으로부터 학습한 다음, 한 번도 본 적 없는 완전히 다른 그룹을 대상으로 테스트를 거쳐야 한다는 것이었습니다. 이는 컴퓨터가 단순히 정답을 암기하는 것을 방지하기 위함이었습니다. 연구진은 두 가지 주요 목표를 테스트했습니다. 고온에서도 자성을 유지하는 합금을 찾는 것과, 자기 방향을 매우 적은 저항으로 전환하는 합금을 찾는 것이었습니다. 컴퓨터는 고온 목표의 경우, 원소의 정확한 혼합 비율을 아는 것만으로도 좋은 추측을 할 수 있다는 것을 학습했습니다. 그러나 전환 저항의 경우, 동일한 화학적 혼합물이 제조 방식에 따라 매우 다른 결과를 낼 수 있다는 데이터 때문에 컴퓨터가 어려움을 겪었습니다. 이는 컴퓨터가 새로운 합금의 전환 저항을 단순히 성분만 보고는 예측할 수 없으며, 그 금속이 어떻게 만들어졌는지 알아야 한다는 점을 확인시켜 주었습니다.

이러한 어려움에도 불구하고, 연구팀은 모델을 사용하여 철, 코발트, 니켈, 망간, 알루미늄, 실리콘으로 구성된 20,000개의 잠재적인 새로운 배합을 스크리닝했습니다. 연구진은 예측에 안전망을 적용하여 가능한 결과의 범위를 계산함으로써, 실제 상황에서 실패할 가능성이 있는 후보를 선택하지 않도록 했습니다. 이러한 신중한 필터링을 통해 후보 목록을 철과 코발트가 풍부한 소수의 유망한 후보군으로 좁혔습니다. 컴퓨터의 예측이 물리적 실체에 근거하고 있는지 확인하기 위해, 연구진은 기초 물리학 법칙에 기반한 독립적인 시뮬레이션을 실행했습니다. 이 시뮬레이션은 연구진이 식별한 철-코발트 구조가 실제로 강력한 자기적 특성을 지니고 있으며 고온을 견딜 수 있음을 확인해주었으며, 이는 특정 배합에 대한 직접적인 검증이라기보다 컴퓨터가 선택한 후보들에 대한 독립적인 물리적 기준점을 제공했습니다.

그 결과, 추가 조사를 위한 가설로서 여덟 가지의 구체적인 화학적 배합 리스트가 도출되었습니다. 예를 들어, 가장 우수한 후보는 대략 47%의 철, 24%의 코발트, 18%의 니켈을 포함하고 소량의 알루미늄과 실리콘이 들어간 혼합물입니다. 컴퓨터는 이 합금이 940 켈빈까지 자성을 유지하면서 매우 낮은 전환 저항을 가질 것이라고 예측하지만, 예측의 불확실성으로 인해 실제 저항은 더 높을 수도 있습니다. 연구진은 이것이 완성된 제품이 아니라 더 깊은 조사를 위한 가장 유망한 출발점임을 강조합니다. 스마트한 컴퓨터 탐색과 독립적인 물리 검증을 결

합함으로써, 연구진은 차세대 전기 자동차와 에너지 시스템을 구동할 수 있는 저렴한 희토류 프리 자석을 개발하기 위한 명확한 경로를 제시했습니다.

기술 요약: 희토류 미함유 연자성 합금의 보자력 인지형 머신러닝 탐색

문제 정의
운송 및 산업 시스템의 전기화가 가속화됨에 따라, 효율적인 자속 수송과 열적 안정성을 결합하면서도 핵심 희토류 원소에 대한 의존성을 피할 수 있는 연자성 재료에 대한 수요가 증가하고 있다. 이러한 재료를 개발하는 것은 조성, 공정 및 미세구조에 따른 자기적 특성의 결합된 의존성 때문에 복잡하다. 특히, 큐리 온도( $T_C$ )와 같은 고유 특성은 조성에 의존하는 반면, 보자력( $H_c$ )은 미세구조적 특징(결정립 크기, 결함)과 공정 이력에 의해 크게 좌우된다. 기존의 예측 모델은 종종 고유한 조성 효과와 외생적인 공정 효과를 구분하는 데 어려움을 겪으며, 표준 머신러닝(ML) 평가 프로토콜(무작위 분할)은 동일한 조성이 훈련 및 테스트 세트 모두에 나타나는 데이터 누수 문제로 인해, 완전히 새로운 미지의 조성으로 일반화하는 모델의 능력을 평가하는 데 실패하는 경우가 많다.

방법론
저자들은 결합된 설계 목표인 큐리 온도와 보자력을 사용하여 희토류 미함유 연자성 합금(특히 Fe–Co–Ni–Mn–Al–Si 계)을 스크리닝하기 위해 설계된 "보자력 인지형(coercivity-aware)" 머신러닝 워크플로우를 개발하였다.

데이터셋 및 디스크립터: 본 연구는 $T_C$ 와 $H_c$ 데이터를 모두 포함하는 1,736개의 레코드를 가진 Northeast Materials Database(NEMAD)의 하위 집합을 활용하였다. 세 가지 디스크립터 세트가 평가되었다:
- 원소 분율 (77개 특성) 및 원자가 전자 농도와 산술 밀도.
- 원자적 특성(예: 반지름, 전기음성도, 자기 모멘트)에 기반한 조성 가중 원소 통계 (146개 특성).
- 225개의 특성으로 구성된 결합 세트.
- 보자력은 무차원 로그( $\log_{10}(H_c/1 \text{ Oe})$ )로 모델링되었다.
평가 프로토콜: 미지의 화학 조성에 대한 전이 가능성을 엄격하게 테스트하기 위해, 저자들은 **조성 그룹화 분할(composition-grouped partitioning)**을 채택하였다. 무작위 분할과 달리, 이 방법은 인코딩된 조성이 훈련 세트와 테스트 세트에 동시에 나타나지 않도록 보장한다. 평가는 중첩된 모델 선택(최적의 디스크립터 세트와 학습기(Random Forest, Extra-Trees, Gradient Boosting 중 하나)를 선택)을 포함한 20회의 반복된 그룹화 분할을 통해 수행되었다.
불확실성 정량화: 검증 세트의 잔차를 사용하여 잔차 기반 예측 구간을 구축함으로써 예측에 대한 불확실성 범위를 제공하였다. 후보 물질들은 훈련 분포로부터 지나치하게 멀어지지 않도록 하는 거리 기반 필터(원소 분율 공간에서의 L1 거리)와 함께 이 구간을 사용하여 스크리닝되었다.
물리적 벤치마크: ML 스크리닝 결과의 독립적인 검증을 위해 저자들은 다음을 수행하였다:
- 제1원리 계산: 대표적인 Fe–Co 구조(bcc Fe, B2 FeCo, L1 $_2$ Fe $_3$ Co, L1 $_2$ FeCo $_3$ )에 대한 밀도 범함수 이론(DFT) 계산을 수행하여 자기 편극 및 자적 부피 효과를 평가하였다.
- 유한 온도 시뮬레이션: 원자 스핀 시뮬레이션(몬테카를로)을 통해 자기 질서의 상실을 추적하고 벤치마크 시스템의 전이 척도를 추정하였다.

주요 결과

모델 성능: 조성 그룹화 평가는 무작위 분할에 비해 낮지만 더 현실적인 예측 정확도를 보였다. 평균 테스트 $R^2$ 값은 큐리 온도의 경우 0.601 ± 0.080이었고, 로그 보자력의 경우 0.589 ± 0.069였다. 무작위 분할은 더 높은 점수( $R^2 \approx 0.74$ )를 나타냈으나, 이는 상당한 조성 중복을 포함하고 있어 진정한 전이 가능성을 측정하는 데 실패했다.
디스크립터 영향: 원소 분율과 가중 원소 통계를 결합하면 $T_C$ 예측 성능이 향상되었다( $R^2$ 가 0.600에서 0.630으로 증가). 그러나 보자력의 경우, 결합된 세트가 원소 분율 단독 사용보다 성능을 개선하지 못했다( $R^2 \approx 0.565$ vs. $0.587 $). 이는$ H_c$가 조성 디스크립터에 의해 포착되지 않는 공정 변수에 강하게 의존한다는 점과 일치한다.
스크리닝 결과: 20,000개의 샘플링된 Fe–Co–Ni–Mn–Al–Si 조성으로부터:
- 단 11개의 후보만이 엄격한 점 예측 기준( $T_C > 1000$ K, $H_c < 100$ Oe)을 충족하였다.
- 이 11개 중 어느 것도 더 엄격한 구간 기준을 만족하지 못했다.
- 완화된 임계값( $T_C > 600$ K, $H_c < 100$ Oe)에서는 127개의 후보가 구간 및 거리 필터를 모두 만족하였다. 이 후보들은 주로 Fe–Co가 풍부한 조성이다.
물리적 검증: 제1원리 계산은 Fe–Co 구조에서 강력한 자기 편극과 자적 부피 효과를 확인하였다. 유한 온도 스핀 시뮬레이션은 이 벤치마크 Fe–Co 시스템이 높은 온도까지 자기 질서를 유지함을 나타냈다(전이 척도 $T_{0.1}$ 은 ~1110 K에서 1320 K 사이). 이는 ML이 식별한 Fe–Co 풍부 영역에 대한 독립적인 물리적 근거를 제공한다.

의의 및 주장
본 논문은 조성 수준의 스크리닝과 후보 물질별 물리적 검증을 명시적으로 구분하는 희토류 미함유 연자성 화학 조성 우선순위 결정을 위한 계산 프레임워크를 구축했다고 주장한다.

방법론적 기여: 본 연구는 새로운 합금 화학 조성을 스크리닝하기 위한 모델을 평가할 때 조성 그룹화 평가가 필수적임을 입증한다. 무작위 분할은 동일한 조성을 누설함으로써 성능 지표를 인위적으로 부풀린다.
불확실성 인지형 발견: 잔차 기반 예측 구간과 거리 필터를 통합함으로써, 본 프레임워크는 점 예측의 과잉 해석을 방지하면서 후보 공간을 좁히고 예측 불확실성을 명시적으로 인정한다.
물리적 일관성: 본 연구는 특정하게 검증된 합금을 발견했다고 주장하는 것이 아니다. 대신, "보자력 인지형" 워크플로우를 제공하여 유망한 조성 영역(Fe–Co-rich)을 식별하고, 이를 독립적인 물리 기반 벤치마크(DFT 및 스핀 시뮬레이션)에 대해 검증함으로써 통계적 스크리닝 과정과 특정 후보의 물리적 검증 과정을 구분한다.

저자들은 식별된 후보들이 추가적인 구조적, 공정적, 자기적 평가를 위한 가설일 뿐이며, 경도, 연성, 철손과 같은 핵심 특성이 스크리닝 목적에 포함되지 않았음을 강조하며, 이들이 응용 가능한 최종 연자성 자석이 아님을 명시하고 있다.

유사한 논문