4-24、利用机器学习方法进行高丰度稀土快淬永磁材料的设计

李锐，赵同云，胡凤霞，孙继荣，沈保根^*

中国科学院物理研究所

摘要：材料科学的研究目的是破解材料“成分-工艺-结构-性质-性能”之间的关系，一方面有目的地设计出具有指定性能的材料，以满足某种实际需求，另一方面有目的地设计出该种材料的制备工艺流程。近年来，基于实验和计算所产生的大量数据，材料研究逐渐进入了数据推动材料科学发展的阶段。从数据中推断科学决策，解析这种“因果关系”，正是数据驱动技术在材料研究中的核心体现。随着高通量实验和表征，以及高通量计算在现代材料研究中的不断应用，材料数据呈现出爆发式增长的趋势，从大量数据中发现新知识将是未来材料研究的一种重要方法。它可以利用数据分析算法构建材料性能关于材料特征（成分、结构和制备工艺等）的“正向模型”，最终通过“反向优化”实现材料设计的目的。

高丰度稀土永磁材料的组成元素较多、制备工艺较为复杂，因此其材料特征空间具有相对更高的维度。任一材料特征的变化都有可能对永磁材料的显微结构产生显著影响，导致磁体的非本征性能（矫顽力、剩磁、磁能积等）对成分、结构和工艺条件等材料特征的变化极为敏感。传统上，利用人类的经验估算或者“试错法”来设计永磁材料，通常都会存在很大的性能估算误差，从而使得实际的材料设计陷入耗时费力的“制备-测试”循环之中。幸运的是，目前的数据驱动技术已经有可能为永磁材料的设计提供一种快速、精准、经济的高效设计思路和方案。

本文以“快速设计经济型含LaCe快淬磁体”为目的，利用机器学习方法建立了材料的“成分-性能”预测模型，并通过模型反向构建虚拟数据库（“性能-成分”）来指导材料的成分设计和开发。工作的整体流程主要包括材料数据集的建立、模型的训练和评估、最佳模型的选择和模型的功能实现等四个步骤。快淬磁体的材料数据来源于已报到的文献和本课题组的研究结果，并对所收集的数据进行预处理，主要包括：人为标记特征、统一数据格式、数据填补和删除，以及数据规约等。由于机器学习算法类型众多，并且建模过程属于“黑箱”操作，人们很难提前预估不同算法的优劣，所以，本文采用多算法对比学习的方法来确定最优的性能预测模型。

本文选取线性模型、回归决策树、支持向量机回归和梯度提升树等四种机器学习算法，分别对快淬磁体的内禀矫顽力和最大磁能积进行了建模学习。随着算法复杂度的提高，对于快淬磁体永磁性能的预测模型的拟合优度随之升高，而预测误差随之减小。对于最佳的梯度提升树模型，关于矫顽力和最大磁能积的拟合优度分别高达0.90和0.91，平均绝对误差仅分别为80 kA/m和8.8 kJ/m³，此误差数值与快淬制备工艺所固有的性能分布范围（实验偏差）相当，具有很高的可信度。利用最佳模型可以构建不同特征维度的虚拟材料性能数据库，通过探索此数据库，我们可以快速定位特定性能的磁体成分，从而实现材料设计的目的。

此方法可以把现有的以经验和实验为主的传统材料研发模式，转变为“材料预测在先、实验验证在后”的模式，具有较强的预见性和针对性，使优化问题变得更轻松而简捷。未来，在成功建立烧结磁体的完整数据库的基础上，与相场模拟相结合，此方法将有助于极大地缩短烧结永磁材料的设计和开发周期，降低成本，具有非常重大的经济效益。

关键字：高丰度稀土永磁材料；材料设计；机器学习；数据挖掘

DOI:10.12110/secondfmge.20181014.424