寧波材料所在基于機器學習研發超高飽和磁感鐵基非晶/納米晶軟磁材料方面取得進展

　　【儀表網 研發快訊】隨著高頻大功率器件的快速發展，系統能耗問題已成為制約行業進步的重要瓶頸。如果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核心任務；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直接決定了整個系統的能源利用率，其性能優劣直接影響著系統的穩定性、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：磁芯損耗顯著增加，導致系統效率下降，溫升加劇，甚至引發熱失控風險。這種狀況在5G通信、新能源汽車、工業電源等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、更輕量化發展的主要障礙。
 

　　鐵基非晶/納米晶合金因其優異的軟磁性能成為應對這一挑戰的最有前景的候選材料。與傳統的硅鋼相比，鐵基非晶合金的磁芯損耗和Hc顯著降低，通常低于10 A/m，從而使設備能夠在高達10 kHz的頻率下高效運行，而不會犧牲能效或產生過多熱量。然而，鐵基非晶/納米晶合金的飽和磁感Bs通常在1.2-1.7 T之間，低于硅鋼的1.8-2.0 T，這限制了它們在高功率密度設備中的應用。因此，設計具有高Bs和低Hc的新型非晶/納米晶合金有利于設備性能和能效的進一步提升。幾十年來，由于非晶合金的成分與性能關系之間缺乏堅實的理論基礎，鐵基非晶合金的開發主要依賴于試錯法。這種傳統方法顯著阻礙了高Bs非晶合金的發展。近年來，機器學習(ML)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巨大潛力，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。
 

　　為了應對這一挑戰，中國科學院寧波材料技術與工程研究所非晶合金磁電功能特性團隊構建了三種不同的ML模型(XGboost、RF和SVM)來預測鐵基非晶合金的Bs。經過特征工程和超參數優化訓練，模型能夠對Bs進行準確預測，其中XGBoost模型表現最佳，測試集的R²系數大于0.85，RMSE不超過0.12 T，表明模型具有較高的預測精度(圖1)。通過特征重要性，研究團隊確定了鐵含量(CFe)、混合焓(ΔHmix)和電負性差異(δχ)是影響Bs的三個最關鍵因素。SHAP分析進一步量化了這些參數的影響(圖2a,b)：CFe需超過75 at.%，ΔHmix應介于-18.7至-14 kJ/mol之間，而δχ應小于0.07。這些參數的優化不僅有助于提高Bs，還能保持良好的非晶形成能力。第一性原理計算進一步驗證在鐵含量相同的情況下，δχ較小的鐵基非晶合金具有更高的Bs, 這是因為δχ較小的合金具有較低的費米能級，有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，并用Co代替部分Fe以利用Fe-Co的交換耦合作用，研究團隊設計了Fe-Co-Ni-Si-B、Fe-Co-Ni-B-P-C、Fe-Co-N-B-P-C-V等一系列鐵基非晶/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Bs均超過1.85 T，并且矯頑力可以降至1.2 A/m，其中 (Fe82Co18)85.5Ni1.5B9P3C1和Fe69Co16Ni1Si3B11的 Bs可達 1.92 T(圖3)，綜合軟磁性能超越硅鋼(圖2c)。
 

　　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Advanced Functional Materials, 2025, 2425588上(DOI：10.1002/adfm.202425588)。該研究論文的第一作者為寧波材料所博士研究生楊世玉，通訊作者為寧波材料所王軍強研究員、霍軍濤研究員，合作作者包括寧波材料所博士后臧博聞、工程師向明亮、碩士研究生申發元、宋麗建研究員、高萌研究員、張巖研究員。本工作得到了國家重點研發計劃(2024YFB3813700)、國家自然科學基金(52231006、52001319、92163108、52271158、52222105、51827801、52201194)、浙江省自然科學基金(LGF22E010002、LZ22A030001、LR22E010004)、浙江省“尖兵”“領雁”研發攻關計劃項目(2022C01023)以及寧波市科技創新2025重大專項(2019B10051)的支持。
 

　　圖1 三種模型對Bs的預測性能。(a) XGBoost, (b) RF, (c) SVM；灰色球體和彩色球體分別表示模型在訓練集和測試集上的表現；虛線表示y = x；圖中列出了均方根誤差(RMSE)和R²參數
 

　　圖2 通過機器學習的合金設計準則研發高Bs鐵基非晶合金。(a) 合金各特征的SHAP值布； (b)Bs在 CFe-ΔHmix-δχ空間中的分布； (c) 不同類型的鐵基非晶/納米晶合金的Bs和Hc對比
 

　　圖3 根據成分設計準則制備的鐵基非晶合金的性能。a) 合金薄帶的矯頑力隨磁場退火溫度的變化；(b) 在最佳退火溫度下合金的磁化曲線