Entwurf von Nanokomposite-Magneten durch maschinelles Lernen

Dauermagnete sind eine Schlüsseltechnologie für nachhaltige Technologien. Derzeit sind Hochleistungsmagnete für Motoren und Generatoren auf Seltene Erden wie Neodym, Dysprosium oder Terbium angewiesen. Um eine Verknappung der Seltenen Erden zu vermeiden, die durch die steigende Nachfrage nach Elektrifizierung des Verkehrs und der Stromerzeugung verursacht wird, werden alternative Magnete mit einem wesentlich geringeren Gehalt an Seltenen Erden benötigt. Eine mögliche Lösung ist ein Zwei-Phasen-Magnet. Dieser kann hohen äußeren Feldern widerstehen (hartmagnetische Bereiche) und weist eine hohe Magnetisierung auf (weichmagnetische Bereiche). Diese beiden Eigenschaften werden durch das Energiedichteprodukt gemessen, das als Leistungskennzahl für Dauermagnete verwendet wird. Für die hartmagnetischen Bereiche werden Seltenerdelemente benötigt. In diesem Projekt wollen wir eine optimale räumliche Verteilung für hart- und weichmagnetische Bereiche finden, um den Gehalt an Seltenen Erden zu reduzieren und gleichzeitig eine hohe magnetische Leistung beizubehalten. Für diese Aufgabe werden wir schnelle, massiv parallele mikromagnetische Simulationen und künstliche Intelligenz kombinieren. Es wird ein Programm entwickelt, um automatisch parametrisierbare Finite-Elemente-Netze zu erzeugen und eine große Anzahl von mikromagnetischen Simulationen durchzuführen. Diese Ergebnisse für verschiedene hart- und weichmagnetische Verteilungen werden als Trainingsdaten für ein neuronales Netz verwendet. Das Netz, Predictor genannt, lernt den Einfluss der Materialzusammensetzung und der geometrischen Eigenschaften auf das Energiedichteprodukt. Das Lernen erfolgt durch Einstellung der Parameter des Netzes, der Gewichte, mit Hilfe maßgeschneiderter mathematischer Methoden. Für diese Aufgabe werden wir verschiedene Methoden für hochdimensionale Optimierungsprobleme untersuchen und anpassen. Eine Kopie des trainierten Predictor-Netzes mit fixierten Gewichten wird in umgekehrter Weise als Designer-Netz verwendet. Der Designer wird zur Optimierung der Materialzusammensetzung und der geometrischen Eigenschaften für Produkte mit hoher Energiedichte eingesetzt. Die neu gefundenen Designparameter werden dann durch mikromagnetische Simulationen validiert und als Trainingsdaten in einer Rückkopplungsschleife an den Predictor zurückgegeben. Zunächst wird dieses aktive Lernverfahren für einfache, bekannte magnetische Strukturen entwickelt und validiert. In einem weiteren Schritt passen wir dieses maschinelle Lernverfahren an, um die optimale Materialverteilung mit einer Auflösung von einigen hundert Atomen zu finden. Mit diesem generativen neuronalen Netzwerk für das inverse Design von leistungsstarken, seltenerdreduzierten Dauermagneten werden wir die Grenzen der strukturellen Designstrategien bis an die theoretische Grenze verschieben. Unsere Ergebnisse werden neue Leitlinien für die Herstellung wettbewerbsfähiger, umweltfreundlicher Dauermagnete für nachhaltige Technologien liefern.