TY -的盟Kovacs亚历山大AU - fischbach,约翰·盟——Oezelt哈拉尔德盟科内尔,亚历山大AU -阿里,凯伊斯盟——Gusenbauer马库斯盟,矢野正雄AU -佐,分析师Noritsugu盟——木下光男,明仁盟——Shoji Tetsuya盟——加藤,彰盟——在香港,人民币非盟- Grenier Stephane盟——Devillers鲍特盟-邓普西,诺拉·m . AU -福岛,Tetsuya AU -雅佳,Hisazumi盟,川岛Naoki盟——宅一生,隆盟——Schrefl托马斯PY - 2023 M3 -原始研究机器学习TI - Physics-informed结合实验和模拟neodymium-iron-boron永久磁铁的设计减少了关键元素内容乔-材料前沿UR - //www.thespel.com/articles/10.3389/fmats.2022.1094055六世- 9 SN - 2296 - 8016 N2 -稀土元素钕、铽和镝至关重要的性能永久磁铁用于各种混合动力汽车和电动汽车等绿色能源技术。雷竞技rebat为了解决这些元素的供应风险,我们应用机器学习技术设计磁性材料有钕含量减少,没有铽和镝。然而,磁铁的性能旨在用于电动机应该保存下去。我们开发了机器学习方法,协助材料设计通过集成物理模型之间的桥梁长度尺度,从原子论的微米大小颗粒neodymium-iron-boron永磁体的微观结构。通过数据同化,我们结合实验数据和模拟构建机器学习模型,我们用来优化化学成分和微观结构的磁铁。我们应用技术,有助于理解和解释机器学习预测的结果。变量重要性显示了主要设计变量如何影响磁性。高通量测量组分分级气急败坏的电影是一种系统化的方式来生成数据机数据分析。我们展示如何使用机器学习模型高性能、Nd-lean磁铁可以实现。呃- - - - - -