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

Technische Samenvatting: Voorbij de Stoner–Wohlfarth: Machine Learning-modellen en Symbolische Regressie van Hardmagnet-eigenschappen

Probleemstelling
Het voorspellen van de extrinsieke magnetische eigenschappen van permanente magneten—specifiek het coërcitief veld ($H_c$), de remanente magnetisatie ($M_r$) en de maximale energieproduct ($BH_{max}$)—op basis van hun intrinsieke micromagnetische parameters (verzadigingsmagnetisatie $M_s$, uitwisselingsconstante $A$ en uniaxiale anisotropieconstante $K$) is een fundamentele uitdaging in de materiaalkunde. Hoewel gevestigde analytische modellen (bijv. Stoner–Wohlfarth en Kronmüller) nuttige schattingen bieden, schieten ze vaak tekort bij het verklaren van niet-uniforme magnetisatieprocessen en microstructurele complexiteiten. Daartegenover staan directe micromagnetische simulaties, die deze details wel vangen, maar zijn computationeel duur en vereisen vaak uren of dagen per parameterset, wat snelle materiaalverkenning en optimalisatie belemmert.

Methodologie
De auteurs pakken dit gat aan door machine learning (ML) surrogaatmodellen te trainen op een dataset van 12.012 micromagnetische simulaties van een geïdealiseerde, geïsoleerde kubische korrel (zijde van 50 nm). De simulaties werden uitgevoerd met de MaMMoS-MuMag code (een JAX-gebaseerde eindige-elementenoplosser) over brede bereiken van intrinsieke parameters:

• $M_s$: $7,96 \times 10^4$ tot $3,98 \times 10^6$ A/m
• $A$: $10^{-13}$ tot $10^{-11}$ J/m
• $K$: $10^4$ tot $10^7$ J/m³
  De dataset werd gefilterd om fysieke validiteit te waarborgen (bijv. het uitsluiten van gevallen waarbij de uitwisselingslengte of de wandbreedte kleiner was dan de mesh-grootte van 1 nm) en om simulaties te verwijderen waarbij de magnetisatie niet omkeerde binnen het toegepaste veldbereik. Dit resulteerde in 9.957 geldige monsters voor training.

De studie hanteert een meerfasige aanpak:

1. Classificatie: Een k-means clustering algoritme onderscheidt tussen "harde" en "zachte" magneetregimes op basis van de genormaliseerde remanentie ($M_r/M_s$).
2. Forward Modeling: Vijf ML-architecturen (Lineaire Regressie, LASSO, Random Forest, Gaussische Proces en een Volledig Verbonden Neuraal Netwerk) werden getraind om $H_c$, $M_r$ en $BH_{max}$ te voorspellen vanuit $M_s$, $A$ en $K$.
3. Symbolische Regressie: Met behulp van de PySR-bibliotheek zochten de auteurs naar gesloten vorm analytische expressies die de simulatiedata passen, met als doel interpreteerbare fysische wetten te herstellen.
4. Inverse Modeling: De mapping werd geïnverteerd om intrinsieke parameters ($M_s$, $A$, $K$) te voorspellen vanuit de extrinsieke outputs ($H_c$, $M_r$, $BH_{max}$).

Belangrijkste Bijdragen en Resultaten

• Superieure Voorspellende Nauwkeurigheid: Getoetst tegen analytische modellen op een onafhankelijke testset, presteerden de ML-modellen aanzienlijk beter dan traditionele analytische benaderingen. De Random Forest (RF) en Gaussische Proces (GP) modellen behaalden de laagste fouten. Voor het coërcitief veld verminderde de RF de Root Mean Square Error (RMSE) van 195 kA/m (gepaste Kronmüller-model) naar 92 kA/m, terwijl de GP 18 kA/m bereikte. Vergelijkbare verbeteringen werden waargenomen voor $M_r$ en $BH_{max}$.
• Ontdekkingen via Symbolische Regressie: De symbolische regressie slaagde erin de Kronmüller-vorm voor het coërcitief veld te herstellen, maar met een nieuwe wending: de effectieve demagnetiseringsfactor ($N_{eff}$) bleek een functie van materiaaleigenschappen te zijn in plaats van een constante. Specifiek is de afgeleide wet $H_c = [\alpha - n \ln \tilde{L}/\kappa] H_A$, waarbij $\tilde{L}$ de gereduceerde korrelgrootte is en $\kappa$ de magnetische hardheidsparameter. De auteurs ontdekten ook nieuwe gesloten vorm expressies voor $M_r$ en $BH_{max}$ die correcties bevatten op basis van korrelgrootte en anisotropie, welke niet aanwezig zijn in de standaardliteratuur. Deze symbolische wetten, die maximaal twee aangepaste constanten bevatten, benaderden de nauwkeurigheid van de ML-surrogaten.
• Kenmerkbelang en het Inverse Probleem: Analyse toonde aan dat $M_s$ en $K$ de dominante factoren zijn die de extrinsieke eigenschappen bepalen, terwijl de uitwisselingsconstante $A$ een zwakke invloed heeft. Bijgevolg leverde het inverse probleem (het herstellen van intrinsieke parameters uit extrinsieke parameters) nauwkeurige resultaten voor $M_s$ en $K$, maar faalde het in het nauwkeurig herstellen van $A$. De auteurs schrijven dit niet toe aan een modeldefect, maar aan de fysieke realiteit dat $A$ de hysteresislus slechts zwak beïnvloedt, waardoor het onmogelijk is om $A$ uniek te bepalen op basis van de drie extrinsieke metrieken alleen.
• Computationele Efficiëntie: De getrainde pijplijn, vrijgegeven via de mammos-ai Python-package, maakt het mogelijk om duizenden kandidaat-parametersets in seconden te screenen. Dit vertegenwoordigt een versnelling van meer dan drie ordes van grootte vergeleken met directe micromagnetische simulaties (die ~147 minuten per monster op een GPU duren).

Betekenis en Reikwijdte
Het artikel beweert een robuust, datagedreven kader te bieden om de kloof tussen intrinsieke materiaaleigenschappen en extrinsieke magnetische prestaties te overbruggen. Door hoogwaardige ML-surrogaten te combineren met interpreteerbare symbolische regressie, biedt het werk zowel voorspellende kracht als fysisch inzicht, waarbij gevestigde analytische vormen worden hersteld terwijl noodzakelijke correcties worden geïdentificeerd.

De auteurs beperken de reikwijdte van hun claims expliciet tot een geïdealiseerde, geïsoleerde kubische korrel waarbij het veld is uitgelijnd met de gemakkelijke as (easy axis). Zij erkennen dat echte materialen microstructurele defecten, korrelgrenzen, oriëntatiefouten en thermische activatie bevatten, die afwezig zijn in hun model. Daarom voorspellen de modellen de eigenschappen van een ideale, defectvrije korrel; discrepanties met experimentele metingen in echte magneten worden toegeschreven aan deze ontbrekende microstructurele factoren. De primaire bruikbaarheid van het werk is het snelle screenen van kandidaat-parametersets om verdere, meer gedetailleerde onderzoeken te sturen of om de fundamentele limieten van de prestaties van ideale korrels te begrijpen. De modellen en wetten worden beschikbaar gesteld aan de gemeenschap om deze snelle verkenning te faciliteren.