Datengesteuertes Magnetdesign

Die Verringerung der Treibhausgasemissionen hat auf der weltweiten Agenda höchste Priorität erlangt. Die Elektrifizierung des Verkehrs und erneuerbare Energien sind auf Dauermagnete angewiesen. Die Anpassung von Dauermagneten an die spezifischen Anforderungen einer Anwendung bei gleichzeitiger Reduzierung des Gehalts an kritischen Elementen ist für grüne Technologien von entscheidender Bedeutung. Mikromagnetische Simulationen sind ein brauchbares Werkzeug, um neue Materialzusammensetzungen und -strukturen im mikroskopischen Längenbereich zu finden. Leider sind die derzeitigen Simulationen kaum skalierbar, um Designfragen auf der viel größeren Längenskala von Anwendungen zu beantworten. Um einen Durchbruch zu erzielen, wird das maschinelle Lernen eingesetzt. Wir werden das grundlegende Verständnis der Leistung von Dauermagneten durch einen sogenannten inversen Designansatz verbessern. Zunächst werden magnetische Dünnschichten mit vielen verschiedenen Zusammensetzungen von Neodym, Dysprosium, Lanthan und Cerium mit Eisen und Bor hergestellt. Diese Schichten werden mit Hilfe von Hochdurchsatzanalysen charakterisiert und die Daten in einer Datenbank gespeichert, die die chemische Zusammensetzung, die Struktur und die Verarbeitungsbedingungen mit den magnetischen Eigenschaften in Beziehung setzt. Zweitens wird diese Datenbank dann zur Entwicklung und zum Training eines Algorithmus für maschinelles Lernen verwendet, der ein Graphennetzwerk zur Vorhersage der Leistung der Magnete einsetzt. Das maschinelle Lernmodell wird durch die Kombination von Messdaten mit Ergebnissen aus mikromagnetischen Simulationen der Magnete verbessert. Schließlich werden wir das trainierte maschinelle Lernmodell invers verwenden, um nach vielversprechenden Zusammensetzungen und Strukturen für die gewünschten magnetischen Eigenschaften zu suchen. Das maschinelle Lernmodell wird graphische neuronale Netze verwenden. Die granulare Struktur von Dauermagneten führt zu einer natürlichen Darstellung in Graphen. Graphische neuronale Netze können Vorhersagen für größere und komplexere Systeme treffen als beim Training verwendet. Die vorgeschlagene Technik ermöglicht die Vorhersage magnetischer Eigenschaften für große Systeme mit Tausenden von Körnern. Der Schwerpunkt des Projekts liegt auf der Verbesserung der Eigenschaften von (Nd,Dy,La,Ce)FeB- Magneten mit stark reduziertem Nd- und Dy-Gehalt, die in den kommenden Jahren als besonders kritisch angesehen werden. Diese Reduzierung wird durch die Erforschung möglicher chemischer Zusammensetzungen und Mikrostrukturen erreicht.