[논문 리뷰] Computational Design of the Rare-Earth Reduced Permanent Magnets

Alexander Kovacs, Johann Fischbacher외 7명|arXiv (Cornell University)|2019. 03. 28.

Magnetic Properties of Alloys참고 문헌 24인용 수 4

한 줄 요약

이 논문은 밀도함수이론(DFT), 유전적 알고리즘, 마이크로자기학, 기계학습을 조합한 계산적 프레임워크를 제시하여 희토류를 포함하지 않는 영구자석을 설계한다. Fe3Sn0.75Sb0.25, L10 FeNi, CoFe6Ta, MnAl이 유망한 후보로 규명되었으며, 비탈리성장력은 0.49–1.0 T로 예측되고 에너지 밀도 제품은 최대 425 kJ/m³에 이를 것으로 예측되어 고성능, 희토류 감소 자석으로의 길을 보여준다.

ABSTRACT

<strong>ABSTRACT</strong> Multiscale simulation is a key research tool for the quest for new permanent magnets. Starting with first principles methods, a sequence of simulation methods can be applied to calculate the maximum possible coercive field and expected energy density product of a magnet made from a novel magnetic material composition. Fe-rich magnetic phases suitable for permanent magnets can be found by adaptive genetic algorithms. The intrinsic properties computed by ab initio simulations are used as input for micromagnetic simulations of the hysteresis properties of permanent magnets with realistic structure. Using machine learning techniques, the magnet’s structure can be optimized so that the upper limits for coercivity and energy density product for a given phase can be estimated. Structure property relations of synthetic permanent magnets were computed for several candidate hard magnetic phases. The following pairs (coercive field (T), energy density product (kJ/m³)) were obtained for Fe₃Sn_0.75Sb_0.25: (0.49, 290), L1₀ FeNi: (1, 400), CoFe₆Ta: (0.87, 425), and MnAl: (0.53, 80).

연구 동기 및 목표

• 영구자석에 적합한 높은 내재 자기성질을 갖춘 새로운 희토류를 포함하지 않는 자기재료를 규명하는 것.
• 고성능 자석에서 희토류 원소 의존성으로 인한 공급망 및 비용 문제를 해결하는 것.
• 원자 척도 성질에서 거시적 자기 성능으로 이르는 예측 가능한 다스케일 시뮬레이션 파이프라인을 개발하는 것.
• 기계학습과 마이크로자기학적 시뮬레이션을 통해 최대 비탈리성장력과 에너지 제품을 얻기 위한 미세구조 및 조성을 최적화하는 것.

제안 방법

• 후보 철-rich 상의 내재 자기성질을 결정하기 위해 밀도함수이론(DFT) 기반의 아비시노 계산을 수행한다.
• 적응형 유전적 알고리즘이 큰 조성 공간을 스크리닝하여 높은 비대칭성과 포화 자기화를 갖는 유망한 경성자기 상을 식별한다.
• 상 조성에서 유도된 실제적인 미세구조를 기반으로 하이스테리시스 루프와 비탈리성장력을 모델링하는 마이크로자기학적 시뮬레이션을 수행한다.
• 시뮬레이션 데이터를 기반으로 기계학습 모델을 훈련시켜 최적의 미세구조를 예측하고 비탈리성장력 및 에너지 제품의 상한선을 추정한다.
• 초기 원자계산 결과에서 마이크로자기학적 예측에 이르는 계층적 시뮬레이션 파이프라인을 통합하여 효율적인 스크리닝을 가능하게 한다.
• 이 프레임워크를 통해 이상적인 미세구조 조건 하에서 각 후보 상의 최대 달성 가능한 성능 지표를 추정할 수 있다.

실험 결과

연구 질문

• RQ1 어느 철-rich 산화물 상이 충분한 자기이방성 및 포화 자기화를 갖추어 희토류를 포함하지 않는 영구자석 재료로서 실현 가능할 수 있는가?
• RQ2 최적의 미세구조 설계가 이루어졌을 때, 주어진 상의 이론적 비탈리성장력 및 에너지 제품 상한선은 무엇인가?
• RQ3 기계학습은 최대 자기 성능을 얻기 위한 최적의 미세구조를 예측하는 데 어떻게 가속화할 수 있는가?
• RQ4 다스케일 시뮬레이션은 자석 개발 과정에서 실험적 시행착오의 필요성을 얼마나 줄일 수 있는가?
• RQ5 유전적 알고리즘은 철기반 합금의 광범위한 조성 공간을 효율적으로 탐색하여 높은 잠재력을 지닌 후보를 식별할 수 있는가?

주요 결과

• Fe3Sn0.75Sb0.25는 비탈리성장력 0.49 T와 에너지 밀도 제품 290 kJ/m³를 예측한다.
• L10 FeNi는 예측 성능가장 높으며 비탈리성장력 1.0 T와 에너지 밀도 제품 400 kJ/m³를 기록한다.
• CoFe6Ta는 비탈리성장력 0.87 T와 에너지 밀도 제품 425 kJ/m³를 도달할 것으로 예측되어 최고 성능을 보이는 후보로 나타난다.
• MnAl은 비탈리성장력 0.53 T와 에너지 밀도 제품 80 kJ/m³를 보이며 후보 중 중간 수준의 성능을 나타낸다.
• 다스케일 시뮬레이션 파이프라인이 각 상의 성능 상한선을 성공적으로 규명하여 실험적 노력의 우선순위를 정하는 데 기여한다.
• 기계학습과 마이크로자기학적 시뮬레이션의 통합은 최대 비탈리성장력과 에너지 제품을 얻기 위한 최적의 미세구조를 정확하게 추정할 수 있게 한다.