现代生活依赖于电力运行，但要高效地传输这些电力，不仅需要导线，还需要能够轻松引导磁场的材料。这些材料被称为软磁材料，它们是电动机、变压器以及车辆充电系统内部沉默的功臣。为了让这些设备高效工作，材料必须能够快速切换其磁化方向而不损失能量，这种特性被称为低抗磁性，或称低矫顽力。此外，它还需要在受热时仍能保持磁性，这由一个特定的温度阈值——居里温度来衡量。几十年来，工程师们一直依赖稀土元素来提升这些材料的性能，但这些元素价格昂贵且供应不稳定。这产生了一个紧迫的需求：寻找由铁、钴、镍等常见金属组成的、能够胜任同样工作且无需承担稀土成本的新型合金。
寻找这些新材料的挑战在于，它们的性能取决于化学成分与制造工艺之间复杂的相互作用。两种化学成分完全相同的金属，如果一个冷却得快，另一个冷却得慢，其表现可能会截然不同。这使得仅仅通过查看成分表，很难预测哪种新的元素组合效果最好。一支研究团队通过构建一种新型计算机模型解决了这一问题，该模型在学习过往实验经验的同时，能够谨慎地避免过拟合。他们并没有简单地用已有的数据来测试模型，而是迫使模型去预测它从未遇到过的全新化学配方的性质。这种方法揭示了：虽然预测一种材料在失去磁性前能承受多高温度是可能的，但预测其切换磁向的难易程度要困难得多，因为这一特性对制造工艺极其敏感。
为了解决这个问题，研究人员从科学文献中收集了大量的实验数据，汇编了超过1700条磁性材料记录。他们利用这些数据训练了一个机器学习系统，但设定了一条严格的规则：系统必须从已知的化学配方组中学习，然后在一个它从未见过的完全不同的组别上进行测试。这防止了计算机仅仅是死记硬背答案。他们测试了两个主要目标：寻找能在高温下保持磁性的合金，以及寻找能以极低阻力切换磁向的合金。计算机学到的是，对于高温目标，只要知道元素的精确比例就足以做出准确预测。然而，对于切换阻力，计算机却遇到了困难，因为数据显示，即使是相同的化学成分，根据金属加工方式的不同，也会产生截然不同的结果。这证实了，计算机无法仅通过查看成分来预测一种新合金的切换阻力；它必须知道这种金属是如何制造的。
尽管存在这种困难，该团队仍利用其模型筛选了2万种由铁、钴、镍、锰、铝和硅组成的潜在新配方。他们在预测过程中应用了一个“安全网”，即计算可能结果的范围，以确保不会选中一个在现实中可能失败的候选材料。这种细致的过滤将名单缩小到了一小组极具前景的、富含铁和钴的候选材料。为了确保这些计算机预测符合物理现实，研究人员随后基于基本物理定律进行了独立的模拟。这些模拟证实，他们识别出的铁钴结构确实具有强大的磁性能并能承受高温，这为计算机选择的候选材料提供了独立的物理基准，而非直接验证具体的配方。
其结果是一份包含八个特定化学配方的清单，它们作为进一步研究的假设。例如，排名第一的候选材料包含大约47%的铁、24%的钴和18%的镍，并含有少量的铝和硅。计算机预测这种合金在高达940开尔文的温度下仍能保持磁性，且具有极低的切换阻力，尽管预测的不确定性意味着实际阻力可能会更高。研究人员强调，这些并非最终成品，而是最有希望的研究起点。通过将智能计算机搜索与独立的物理检查相结合，他们为开发能够驱动下一代电动汽车和能源系统的廉价、无稀土磁体提供了一条清晰的路径。
技术摘要：面向无稀土软磁合金的矫er度感知机器学习发现研究
问题陈述
交通运输和工业系统日益普及的电气化进程，要求软磁材料能够兼顾高效的磁通传输能力与热稳定性，同时避免对关键稀土元素的依赖。开发此类材料的过程十分复杂，因为磁学性能对成分、工艺和微观结构具有耦合依赖性。具体而言，虽然像饱和磁化强度和居里温度（TC）这类本质属性取决于成分，但矫er度（Hc）则深受微观结构特征（晶粒尺寸、缺陷）和加工历史的影响。现有的预测模型往往难以区分本质的成分效应与外在的工艺效应，且标准的机器学习（ML）评估协议（随机划分）通常无法评估模型对全新的、未见成分的泛化能力，因为相同的成分出现在训练集和测试集中会导致数据泄露。
方法论
作者开发了一种“矫er度感知”的机器学习工作流，旨在通过耦合设计目标（居里温度和矫er度）来筛选无稀土软磁合金（特别是在 Fe–Co–Ni–Mn–Al–Si 系中）。
数据集与描述符： 本研究利用了东北材料数据库（NEMAD）的一个子集，其中包含 1,736 条同时具有 TC 和 Hc 数据的记录。研究评估了三组描述符：
- 元素分数（77 个特征）加上价电子浓度和算术密度。
- 基于原子属性（如半径、电负性、磁矩）的成分加权元素统计量（146 个特征）。
- 一个包含 225 个特征的组合集。
- 矫er度被建模为无量纲对数形式（log10(Hc/1 Oe)）。
评估协议： 为了严格测试对未知化学成分的迁移能力，作者采用了成分分组划分法。与随机划分不同，该方法确保没有任何编码后的成分同时出现在训练集和测试集中。评估过程涉及 20 次重复的分组划分，并结合嵌套模型选择（从随机森林、极端随机树和梯度提升树中选择最佳的描述符集和学习器）。
不确定性量化： 利用验证集的残差构建了基于残差的预测区间，以提供预测的不确定性边界。候选材料通过这些区间以及“距离训练集距离”过滤器（元素分数空间的 L1 距离）进行筛选，以确保候选材料不会过度偏离训练分布。
物理基准： 为了独立验证 ML 筛选结果，作者进行了以下工作：
- 第一性原理计算： 对代表性的 Fe–Co 结构（bcc Fe, B2 FeCo, L12 Fe3Co, L12 FeCo3）进行密度泛函理论（DFT）计算，以评估磁极化和磁容效应。
- 有限温度模拟： 通过原子自旋模拟（蒙特卡洛方法）追踪磁有序的丧失，并估算这些基准系统的转变尺度。
关键结果
- 模型性能： 成分分组评估得到的预测准确度较低，但更符合实际情况，相比之下随机划分产生的性能指标较高。居里温度的平均测试 R2 值为 0.601 ± 0.080，对数矫er度的 R2 值为 0.589 ± 0.069。随机划分产生的得分较高（R2≈0.74），但包含了显著的成分重叠，未能衡量真实的迁移能力。
- 描述符影响： 结合元素分数与加权元素统计量提高了 TC 的预测能力（R2 从 0.600 提高到 0.630）。然而，对于矫er度，组合集并未比单纯的元素分数表现更好（R2≈0.565 对比 $0.587$），这与矫er度对未被成分描述符捕获的工艺变量的强依赖性相一致。
- 筛选结果： 在 20,000 个采样的 Fe–Co–Ni–Mn–Al–Si 成分中：
- 仅有 11 个候选材料满足严格的点预测标准（TC>1000 K，Hc<100 Oe）。
- 这 11 个候选材料中没有一个能同时满足更严格的区间标准。
- 在放宽阈值（TC>600 K，Hc<100 Oe）的情况下，有 127 个候选材料 同时满足了区间和距离过滤器。这些候选材料主要富含 Fe–Co。
- 物理验证： 第一性原理计算证实了 Fe–Co 结构中存在强烈的磁极化和磁容效应。有限温度自旋模拟表明，这些基准 Fe–Co 系统在高温下仍能保持磁有序（转变尺度 T0.1 范围在 ~1110 K 至 1320 K 之间），为 ML 识别出的 Fe–Co 富集区域提供了独立的物理支持。
意义与主张
本文声称建立了一个用于优先排序无稀土软磁化学成分的计算框架，该框架明确区分了成分级筛选与特定候选物的物理验证。
- 方法论贡献： 研究表明，成分分组评估对于评估旨在筛选新合金化学成分的模型至关重要，因为随机划分会通过成分泄露人为地夸大性能指标。
- 不确定性感知发现： 通过整合基于残差的预测区间和距离过滤器，该框架在缩小候选空间的同时，明确承认了预测的不确定性，防止了对点预测的过度解读。
- 物理一致性： 本工作并非声称发现了一种特定的、经过验证的合金。相反，它提供了一个“矫er度感知”的工作流，用于识别有希望的成分区域（Fe–Co 富集区），并将其与独立的物理基准（DFT 和自旋模拟）进行对比验证，从而将统计筛选过程与特定候选物的物理验证区分开来。
作者强调，所识别的候选材料是进一步进行结构、工艺和磁学评估的假设对象，而非应用级的软磁材料，因为硬度、塑性和铁损等关键特性并未包含在本次筛选的目标中。
每周获取最佳 materials science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。