Interpretable machine learning-guided design of Fe-based soft magnetic alloys

要約

Fe Rich軟質磁性合金、特にFe-Si-Bシステムの飽和磁化（MS）および強制（HC）を予測するための機械学習ガイド付きアプローチを提示します。
実験データで訓練されたMLモデルは、SiおよびB含有量の増加により、MSが1.81T（DFT〜2.04 T）からFe-SI-Bの〜1.54 T（DFT〜1.56T）に減少することが明らかになり、これは磁気密度と構造修飾の減少に起因します。
MLの実験的検証Fe-1SI-1B（2.09T）、Fe-5SI-5B（2.01T）、Fe-10SI-10b（1.54T）合金組成の磁気飽和度は予測されました。
これらの傾向は、密度汎関数理論（DFT）予測と一致しており、電子障害の増加とバンドの拡大をより低いMS値にリンクします。
選択された合金に関する実験的検証は、MLモデルの予測精度を確認し、組成全体でよく一致します。
予測精度を超えて、特徴の重要性と部分依存分析を介した詳細な不確実性の定量化とモデルの解釈可能性は、MSがFE含有量、早期遷移金属比、アニーリング温度の間の非線形相互作用によって支配されていることを明らかにしていますが、HCはリボンの厚さや熱処理窓などの処理条件により敏感です。
MLフレームワークは、ナノメットに匹敵する磁気特性（Fe84.8SI0.8 P3.5C1）、FINEMET（FE73.53.5B9 CU1NB3）、NANB3）に匹敵する磁気特性を示す擬似質nary組成空間でFe-Si-B/Cr/Cu/Zr/Nb合金にさらに適用されました。
（Fe88Zr7b4cu1）、およびhitperm（fe44Co44Zr7b4cu1。私たちの資金は、高性能、CO-およびNIのない柔らかい磁気材料の加速検索のためのMLフレームワークの可能性を示しています。

要約(オリジナル)

We present a machine-learning guided approach to predict saturation magnetization (MS) and coercivity (HC) in Fe-rich soft magnetic alloys, particularly Fe-Si-B systems. ML models trained on experimental data reveals that increasing Si and B content reduces MS from 1.81T (DFT~2.04 T) to ~1.54 T (DFT~1.56T) in Fe-Si-B, which is attributed to decreased magnetic density and structural modifications. Experimental validation of ML predicted magnetic saturation on Fe-1Si-1B (2.09T), Fe-5Si-5B (2.01T) and Fe-10Si-10B (1.54T) alloy compositions further support our findings. These trends are consistent with density functional theory (DFT) predictions, which link increased electronic disorder and band broadening to lower MS values. Experimental validation on selected alloys confirms the predictive accuracy of the ML model, with good agreement across compositions. Beyond predictive accuracy, detailed uncertainty quantification and model interpretability including through feature importance and partial dependence analysis reveals that MS is governed by a nonlinear interplay between Fe content, early transition metal ratios, and annealing temperature, while HC is more sensitive to processing conditions such as ribbon thickness and thermal treatment windows. The ML framework was further applied to Fe-Si-B/Cr/Cu/Zr/Nb alloys in a pseudo-quaternary compositional space, which shows comparable magnetic properties to NANOMET (Fe84.8Si0.5B9.4Cu0.8 P3.5C1), FINEMET (Fe73.5Si13.5B9 Cu1Nb3), NANOPERM (Fe88Zr7B4Cu1), and HITPERM (Fe44Co44Zr7B4Cu1. Our fundings demonstrate the potential of ML framework for accelerated search of high-performance, Co- and Ni-free, soft magnetic materials.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google