[论文解读] Computational Design of the Rare-Earth Reduced Permanent Magnets

Alexander Kovacs, Johann Fischbacher+7 more|arXiv (Cornell University)|Mar 28, 2019

Magnetic Properties of Alloys参考文献 24被引用 4

一句话总结

本文提出了一套计算框架，结合从头算计算、遗传算法、微磁学和机器学习，用于设计无稀土永久磁体。该框架识别出Fe3Sn0.75Sb0.25、L10 FeNi、CoFe6Ta和MnAl作为有前景的候选材料，预测其矫顽磁场为0.49–1.0 T，能量密度积高达425 kJ/m³，展示了实现高性能、低稀土磁体的可行路径。

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).

研究动机与目标

• 识别具有高本征磁性性能、适用于永久磁体的新型无稀土磁性材料。
• 克服高性能磁体对稀土元素依赖带来的供应链和成本挑战。
• 开发一种可预测的多尺度模拟流程，将原子尺度性质与宏观磁性能关联起来。
• 利用机器学习与微磁模拟，优化微观结构与成分，以实现最大矫顽力与能量积。

提出的方法

• 采用从头算密度泛函理论（DFT）计算，确定候选铁基相的本征磁性性能。
• 利用自适应遗传算法对大规模成分空间进行筛选，识别具有高各向异性和饱和磁化强度的潜在硬磁相。
• 基于从相组成获得的现实微观结构，利用微磁模拟建模磁滞回线与矫顽磁场。
• 利用模拟数据训练机器学习模型，预测最优微观结构，并估算矫顽力与能量积的理论上限。
• 构建分层模拟流程，集成从第一性原理计算到微磁预测的结果，实现高效筛选。
• 该框架可对每种候选相在理想化微观结构条件下的最大可实现性能指标进行估算。

实验结果

研究问题

• RQ1 哪些铁基金属间化合物相具备足够的磁各向异性和饱和磁化强度，可作为可行的无稀土永久磁体材料？
• RQ2 当微观结构被最优设计时，某一相的矫顽磁场与能量积的理论上限是多少？
• RQ3 如何利用机器学习加速预测实现最大磁性能的最优微观结构？
• RQ4 多尺度模拟在多大程度上可减少磁体研发中的实验试错？
• RQ5 遗传算法能否高效探索铁基合金庞大的成分空间，以识别高潜力候选材料？

主要发现

• 预测Fe3Sn0.75Sb0.25的矫顽磁场为0.49 T，能量密度积为290 kJ/m³。
• L10 FeNi表现出最高的预测性能，矫顽磁场为1.0 T，能量密度积为400 kJ/m³。
• CoFe6Ta预测可达到0.87 T的矫顽磁场与425 kJ/m³的能量密度积，代表了性能最优的候选材料。
• MnAl的矫顽磁场为0.53 T，能量密度积为80 kJ/m³，表明其在候选材料中性能中等。
• 多尺度模拟流程成功识别出各相的性能上限，有助于优先安排实验工作。
• 将机器学习与微磁模拟相结合，可准确估算实现最大矫顽力与能量积的最优微观结构。