科學家基于機器學習研發超高飽和磁感鐵基非晶／納米晶軟磁材料

隨著高頻大功率器件快速發展，系統能耗問題成為制約行業發展的瓶頸。若將電子控制系統比作人體，芯片如同大腦承擔核心控制功能，負責數據處理、信號控制和邏輯運算等任務；而電感、變壓器等磁性元器件則相當于執行各類生命活動的器官，負責完成能量存儲、轉換與傳輸等關鍵過程。尤其是，軟磁材料的能效表現決定整個系統的能源利用率，其性能優劣影響系統的穩定性、效率和壽命。隨著工作頻率提升至MHz甚至GHz級別，傳統軟磁材料的性能短板日益凸顯。這一問題在高功率密度應用場景中尤為突出，已成為制約電子系統向更高效率、更小體積、更輕量化發展的障礙。

鐵基非晶/納米晶合金因優異的軟磁性能成為應對上述挑戰的候選材料。與傳統的硅鋼相比，鐵基非晶合金的磁芯損耗和矯頑力下降，通常低于10A/m，使設備能夠在10kHz頻率下高效運行，且不犧牲能效或產生過多熱量。但是，鐵基非晶/納米晶合金的飽和磁感通常在1.2T至1.7T之間，低于硅鋼1.8T至2.0T，限制了它們在高功率密度設備中的應用。因此，設計具有高飽和磁感和低矯頑力的新型非晶/納米晶合金，利于提升設備性能和能效。幾十年來，非晶合金的成分與性能關系之間缺乏理論基礎，鐵基非晶合金開發依賴于試錯法，阻礙了高飽和磁感非晶合金的發展。

近年來，機器學習在材料科學領域的應用迅速興起。機器學習在數據挖掘方面顯現出潛力，為加速新型材料的發現提供了更高效的途徑，特別是在非晶合金這種復雜無序材料領域。

中國科學院寧波材料技術與工程研究所研究員王軍強與霍軍濤團隊，構建了極端梯度提升樹、隨機森林和支持向量機三種不同的機器學習模型，來預測鐵基非晶合金的飽和磁感。經過特征工程和超參數優化訓練，模型能夠準確預測飽和磁感。其中，極端梯度提升樹模型表現最佳，測試集的決定系數大于0.85，均方根誤差不超過0.12T，表明模型具有較高的預測精度。

通過特征重要性，該研究確定了鐵含量、混合焓和電負性差異是影響飽和磁感的3個關鍵因素。進一步，沙普利加性解釋分析方法分析并量化了這些參數的影響：鐵含量需超過75 at.%，混合焓應介于-18.7至-14 kJ/mol之間，而電負性差異應小于0.07。這些參數的優化有助于提高飽和磁感并可保持良好的非晶形成能力。第一性原理計算驗證，在鐵含量相同的情況下，電負性差異較小的鐵基非晶合金具有更高的飽和磁感。這是由于電負性差異較小的合金具有較低的費米能級，利于增加合金中鐵原子的未配對電子的數量，進而提高總磁矩。

基于上述設計準則，并通過Co代替部分Fe以利用Fe-Co的交換耦合作用，該團隊設計了Fe-Co-Ni-Si-B、Fe-Co-Ni-B-P-C、Fe-Co-N-B-P-C-V等鐵基非晶/納米晶合金。直流B-H儀和振動樣品磁強計實驗結果表明，這些合金經磁場退火后飽和磁感均超過1.85T，且矯頑力可降至1.2 A/m。其中， (Fe₈₂Co₁₈)_85.5Ni_1.5B₉P₃C₁和Fe₆₉Co₁₆Ni₁Si₃B₁₁的飽和磁感可達1.92T，且綜合軟磁性能超越硅鋼。

相關研究成果以Designing Fe-Based Amorphous Alloys With both Ultra-High Magnetization and Ultra-Low Coercivity Through Artificial Intelligence為題，發表在《先進功能材料》（Advanced Functional Materials）上。研究工作得到國家自然科學基金委員會、科學技術部、浙江省等的支持。

論文鏈接