作者= Kovacs亚历山大,fischbach约翰,Oezelt哈拉尔德,阿里•凯伊斯科内尔•亚历山大Gusenbauer马库斯,矢野正雄,佐久间Noritsugu,木下光男明仁,Shoji Tetsuya,加藤彰,香港元,Grenier Stephane, Devillers鲍特,邓普西诺拉米。,福岛Tetsuya雅佳Hisazumi、川岛Naoki宅一生隆,Schrefl托马斯TITLE = Physics-informed机器学习相结合的实验和模拟neodymium-iron-boron永久磁铁的设计减少了关键元素内容=前沿》杂志上材料体积= 9年= 2023 URL = //www.thespel.com/articles/10.3389/fmats.2022.1094055 DOI = 10.3389 / fmats.2022.1094055 ISSN = 2296 - 8016 =稀雷竞技rebat土元素钕,铽和镝使用永久磁铁的性能是至关重要的在混合动力汽车和电动汽车等各种绿色能源技术。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。