科学家开发出预测材料磁性能的新技术

     目前用在电动汽车和风力涡轮机的永磁体中都含有稀土金属。因为开采这些元素对人体健康和环境都是有害的，所以减少磁铁中这些元素的含量有重要意义。研究人员开发了一种新的机器学习工具，可以帮助研究人员方便、快速地预测具有新材料成分的铁磁晶体的性能。

磁性预测工具可以预测稀土元素、过渡金属等元素组合后材料的磁性能。图片来源：夫琅和费材料力学研究所

可再生能源将成为未来的关键技术。然而，电动汽车和风力涡轮机都需要强大的永磁体，高性能的磁性材料含有12%到17%的稀土元素，主要包括钕和钐，还有镝和铽。这些稀土元素是不可再生的，并且现在使用的这些稀土资源几乎全部是来源于中国。此外，这些原材料的开采工作通常对矿工的健康是有害的，开采过程也会破坏环境。所以材料研究人员多年来一直致力于寻找代替永磁体中稀土金属的替代品。“试错”是以往人们在研究工作中使用的标准的实验方法：过去哪些元素成分的性能很好，哪些元素成分在将来也同样高效？这样的测试是一项昂贵而且耗时的工作。

利用计算机模拟确定潜在的替代品

夫琅和费材料力学研究所（Fraunhofer IWM）的研究人员正在开创另一种更有效的方法。研究所材料设计业务部的科学家Johannes Möller博士解释说：“我们开发了一种高通量的计算机模拟方法，可以系统并且迅速地测试了大量的材料，筛选出代替永磁体的候选材料。我们的方法不是考虑特定百分比的锰、钴或硼是否可行，而是让计算机模拟许多可能存在的变体、组合。”这种实验方法可以筛选出潜在的材料组合，创建一组合理的理论候选对象，然后进行系统地研究。该方法与传统的试错方法相比，大大缩小了候选对象的范围。Möller博士表示：“这种方法原则上不限于仅研究磁性材料，还可以用来分析材料的其他性质。”

计算机只需要有限的信息就能进行模拟：仅仅是磁性材料的晶体结构和它所包含的化学元素。Möller解释说：“其他一切都取决于物理环境。”研究人员依靠晶体晶格解释晶体结构，这种晶格的每十四个原子中就有一个是稀土金属元素，相当于总原子数量的百分之七。研究小组已经检查了利用已知的磁性材料进行模拟的可信度。他们通过识别这些材料的特性，证明了模拟能够成功地预测新材料的磁性。磁各向异性常数同样重要，这个值可以用来衡量通过施加磁场来逆转磁性材料极性的难易程度。Möller说：“正确预测这个值对计算机辅助磁性材料科学来说是一个巨大的挑战。”但是，科学家们却可以计算出一个半定量的数值；换句话说，计算机模拟可以系统地预测一个定性而非定的磁各向异性值。例如，模拟可以表明X材料能够承受比Y材料高7倍的磁场。

机器学习填补了空白

研究小组可以在更大的磁性工程中利用他们获取的材料的磁性数据。Möller解释说：“这个模拟为我们提供了几千上万个候选材料，但是却有数以百万计甚至数十亿的潜在元素组成和组合方式。利用机器学习的方法，我们能够填补模拟数字和理论数字之间的巨大空白。” 研究人员还可以通过逆转这一过程来优化材料。他们因此制定了对一种材料性能的最低要求，例如磁场强度、各向异性、希望使用的化学元素等条件，例如“使用廉价的铜而不是稀有和昂贵的钴。”然后，利用机器学习的方法从材料数据中计算出材料模型，根据优化算法提供材料的最佳元素组成方案。