清华大学材料学院 郭文晖 姚可夫
材料是现代科技发展的三大支柱之一。然而,长期以来,新材料的设计与研发一直依赖于试错的模式,即依靠研究人员的经验和创新性思维来设计材料成分,试制、检测分析,然后再逐步完善和提高。这使得新材料研发效率低、成本高、周期长。
当前人工智能(AI)在各个领域的应用势头都在增强,AI技术应用于材料研发领域正日益受到重视。实际上,在过去的十余年里,研究人员就一直在探索运用计算机辅助等先进手段来加速材料研发和材料设计的新方法。
科学家提出了材料基因工程,期待在认识材料的基本要素——基因后,能像生命科学那样认识材料和设计材料。经过多年努力,这一领域已取得了不少进展,但由于影响材料基本结构和性能的因素众多且复杂,迄今,其仍未能很好地应用于高性能新材料设计与研发。
但在基于数据库和合理模型算法推动下的机器自学习方法在实现合金设计和性能预测方面已取得了明显进展。而新的算法、大模型、大数据的发展又会进一步推动AI赋能机器学习的新合金设计和性能预测,其发展前景十分诱人!
AI技术赋能新一代软磁材料设计
软磁材料是现代科技体系中是能量转换与信息传输等应用领域中的关键材料之一,广泛应用于各类技术系统中。其中,Fe基非晶/纳米晶合金作为新一代软磁材料,因其独特的微观结构和优异的综合性能,特别是具有节能降耗效果,使其在电力、电子器件中有重要应用。
随着第三代半导体应用技术发展和电子通讯技术发展,以及无人机、机器人、新能源汽车对高频、高功率密度高效电机需求不断提升,对非晶/纳米晶软磁合金的性能提升要求也将不断增加,这对非晶/纳米晶软磁材料的综合软磁性能和加工应用技术提出更富挑战性的要求,开发高性能非晶/纳米晶软磁材料的任务十分迫切。
软磁材料的关键性能指标是其饱和磁感强度(Bs)、矫顽力(Hc)、磁导率(µe)和损耗(Pcv)。工程应用期望材料具有高饱和磁感强度、低矫顽力和低损耗。这一特性不仅有助于电力电子设备实现小型化和轻量化,还能提升功率密度,降低能耗。
但研究中常常会出现这样一个问题:提升饱和磁感强度时会导致矫顽力增加,使二者成为矛盾关系,性能难以同时优化。这两个关键性能之间的矛盾长期以来存在着难以调和的问题,严重制约了软磁材料性能的进一步提升,也限制了现代电力电子设备的发展。而高频电子器件、新能源汽车电机、5G通信基站等领域发展的迫切需求又使得研究人员必须面对挑战。
为了加快研发进度、缩短研发周期,应用AI技术显然是重要途径之一。为此,清华大学非晶软磁材料研究组在国家重点研发项目和国家自然科学基金项目的支持下,开展了这项充满挑战的探索研究。
面对存在的问题和Fe基非晶/纳米晶合金复杂的成分-性能映射关系,人工智能及机器学习技术展现出了革命性优势。不同于传统材料研究方法依赖大量的实验试错,需遍历数数十、甚至数百万种成分组合和开展昂贵的实验验证以及带来的低效率,机器学习可通过构建高通量计算模型,快速筛选出最优材料设计,在少量验证后,便可实现对材料性能的精准预测和材料成分设计的优化,可大大缩短新材料的研发周期,降低了研发成本。这使得研究人员能够在庞大的材料成分空间中快速筛选出具有潜在优异性能的材料成分组合,可为新型材料的开发提供有力支持。
创新性构建“三位一体”研究框架
为了突破Fe基软磁合金性能提升的瓶颈,我们团队创新性地构建了"数据-模型-实验"三位一体的研究框架,成功将机器学习深度应用于Fe基非晶纳米晶合金的设计。
我们广泛搜集数据资源构成数据库,包括研究团队自身积累的大量实验数据,并涵盖了多种化学元素、加工工艺以及热力学参数等关键数据信息,并在此基础上构建了三个具有卓越预测能力的人工神经网络模型,其在全数据集上的预测R²值超过0.9,研究结果表明所构建模型具有优秀的拟合效果和泛化能力。
基于此模型,我们在48.6万种理论成分组合中筛选出419种潜在高性能候选材料,然后,结合性能需求和综合性能组合,进一步选定了10个合金成分为优先候选合金,并以综合性能预测最佳的Co17.5非晶/纳米晶合金开展试验验证性研究。
通过采用X射线衍射分析、电子显微分析、热力学分析等分析技术对所制备的合金材料进行综合分析,证实了优选组分Co17.5合金可以制备出具有非晶态结构的材料,经热处理后,可以获得非晶/纳米晶异质复合结构。实验结果表明,经合适热处理后,Co17.5合金的Bs达1.96T,接近工业软磁材料Fe-3wt.%Si硅钢水平,比商业化纳米晶合金1K107b(国外牌号为FINEMET)和非晶合金1K101(国外牌号为METGLAS2605)分别高出58.1%和25.6%;同时其Hc仅为1.2A/m,小于传统软磁材料矫顽力的1/20(见附图)。特别值得关注的是性能测试结果和模型预测结果非常接近。
这一突破性成果打破了Fe基软磁材料长期存在的饱和磁感强度与矫顽力间的矛盾约束,综合性能超越了此前所有已报道的软磁材料。该成果已于今年2月在金属材料领域的顶刊Acta Materialia发表报道。
这一研究成果,在理论层面,为深入理解软磁材料的内在机制提供了新的视角;从技术价值看,为新型高性能软磁和其它材料研发提供了新的方法和新的思路,为高技术领域发展所需高性能关键材料提供了解决方案。研究结果进一步说明了AI赋能材料设计与研发的可行性和重要性。标志着AI辅助机器学习可望从辅助工具演变为材料创新的核心驱动力,为开启AI赋能材料设计新纪元助力。
附图:
Fe基软磁非晶纳米晶合金的性能对比图。横坐标为矫顽力(单位:A/m);纵坐标为饱和超高强度(单位:T);红色星星为研制的新软磁合金。
个人简介:
郭文晖:清华大学材料学院博士生;
姚可夫:清华大学材料学院教授,博士生导师,长期从事非晶合金和非晶/纳米晶软磁材料研究工作,曾担任国家重点研发计划“特种软磁合金与应用”项目负责人,主持和参加过多项国家级研究项目,发表SCI收录论文300余篇,获授权发明专利50余项。
