科学家基于机器学习研发超高饱和磁感铁基非晶/纳米晶软磁材料
随着高频大功率器件快速发展，系统能耗问题成为制约行业发展的瓶颈。若将电子控制系统比作人体，芯片如同大脑承担核心控制功能，负责数据处理、信号控制和逻辑运算等任务；而电感、变压器等磁性元器件则相当于执行各类生命活动的器官，负责完成能量存储、转换与传输等关键过程。尤其是，软磁材料的能效表现决定整个系统的能源利用率，其性能优劣影响系统的稳定性、效率和寿命。随着工作频率提升至MHz甚至GHz级别，传统软磁材料的性能短板日益凸显。这一问题在高功率密度应用场景中尤为突出，已成为制约电子系统向更高效率、更小体积、更轻量化发展的障碍。
铁基非晶/纳米晶合金因优异的软磁性能成为应对上述挑战的候选材料。与传统的硅钢相比，铁基非晶合金的磁芯损耗和矫顽力下降，通常低于10A/m，使设备能够在10kHz频率下高效运行，且不牺牲能效或产生过多热量。但是，铁基非晶/纳米晶合金的饱和磁感通常在1.2T至1.7T之间，低于硅钢1.8T至2.0T，限制了它们在高功率密度设备中的应用。因此，设计具有高饱和磁感和低矫顽力的新型非晶/纳米晶合金，利于提升设备性能和能效。几十年来，非晶合金的成分与性能关系之间缺乏理论基础，铁基非晶合金开发依赖于试错法，阻碍了高饱和磁感非晶合金的发展。
近年来，机器学习在材料科学领域的应用迅速兴起。机器学习在数据挖掘方面显现出潜力，为加速新型材料的发现提供了更高效的途径，特别是在非晶合金这种复杂无序材料领域。
中国科学院宁波材料技术与工程研究所研究员王军强与霍军涛团队，构建了极端梯度提升树、随机森林和支持向量机三种不同的机器学习模型，来预测铁基非晶合金的饱和磁感。经过特征工程和超参数优化训练，模型能够准确预测饱和磁感。其中，极端梯度提升树模型表现最佳，测试集的决定系数大于0.85，均方根误差不超过0.12T，表明模型具有较高的预测精度。
通过特征重要性，该研究确定了铁含量、混合焓和电负性差异是影响饱和磁感的3个关键因素。进一步，沙普利加性解释分析方法分析并量化了这些参数的影响：铁含量需超过75 at.%，混合焓应介于-18.7至-14 kJ/mol之间，而电负性差异应小于0.07。这些参数的优化有助于提高饱和磁感并可保持良好的非晶形成能力。第一性原理计算验证，在铁含量相同的情况下，电负性差异较小的铁基非晶合金具有更高的饱和磁感。这是由于电负性差异较小的合金具有较低的费米能级，利于增加合金中铁原子的未配对电子的数量，进而提高总磁矩。
基于上述设计准则，并通过Co代替部分Fe以利用Fe-Co的交换耦合作用，该团队设计了Fe-Co-Ni-Si-B、Fe-Co-Ni-B-P-C、Fe-Co-N-B-P-C-V等铁基非晶/纳米晶合金。直流B-H仪和振动样品磁强计实验结果表明，这些合金经磁场退火后饱和磁感均超过1.85T，且矫顽力可降至1.2 A/m。其中， (Fe82Co18)85.5Ni1.5B9P3C1和Fe69Co16Ni1Si3B11的饱和磁感可达1.92T，且综合软磁性能超越硅钢。
相关研究成果以Designing Fe-Based Amorphous Alloys With both Ultra-High Magnetization and Ultra-Low Coercivity Through Artificial Intelligence为题，发表在《先进功能材料》（Advanced Functional Materials）上。研究工作得到国家自然科学基金委员会、科学技术部、浙江省等的支持。
论文链接
三种模型对饱和磁感的预测性能
通过机器学习的合金设计准则研发高饱和磁感铁基非晶合金
本文链接：http://m.sushuapos.com/show-12-875-0.html科学家基于机器学习研发超高饱和磁感铁基非晶/纳米晶软磁材料
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
