来源：ScienceDirect

自 1984 年首次发现以来，Sagawa 等人钕铁硼磁体已迅速成为应用最广泛的稀土永磁体之一，以其卓越的综合磁性能而闻名。它们已成为工业领域的基石，在汽车工业、风力发电和清洁能源等各个领域都有广泛的应用，占磁体行业市场价值的一半以上。在钕铁硼磁体成功的基础上，其他 REFeB 永磁体的开发越来越受到关注。 特别是作为减少对关键稀土元素依赖的努力的一部分，人们投入了大量精力来开发高性能 REFeB 磁体用于评估 REFeB 磁性能的常见磁性包括剩磁Br、 内禀矫顽力HCJ和最大磁能积 （BH）麦克斯影响 REFeB 永磁体磁性能的因素多种多样且复杂。磁体的元素取代和原子百分比的变化，以及其微观结构和制造工艺的变化，都会导致磁性能发生变化。此外，为了降低成本和平衡稀土资源，研究人员致力于用高丰度的稀土元素替代 Pr 和 Nd，特别是 La 和 Ce，这带来了磁性能下降的问题。因此，高丰度 REFeB 永磁体的设计同时保持高水平的高丰度稀土元素取代和相对最佳的磁性能，仍然是一个关键的研究领域。几乎所有的稀土元素都可以形成 RE2铁14B 期，为高丰度 REFeB 磁体的成分设计提供了许多机会，但也引入了与高实验成本和时间消耗相关的问题。传统的试错法在如此广阔的搜索空间中遇到挑战。因此，迫切需要一种创新、高效和经济的方法来研究高丰度 REFeB 永磁体的磁性能。

作为一种新兴的创新方法，机器学习已逐渐融入学术研究，标志着材料科学领域科学研究的新范式?；餮耙酝臣评砺畚?，采用统计模型来识别数据中的模式和关系，从而能够从这些公认的模式中得出后续的推理和预测。最近，机器学习已广泛应用于各种材料科学领域，包括超导体、高熵合金。其合理性和有效性得到了研究人员的认可。在磁性材料领域，机器学习在二维磁性材料、软磁材料等领域取得了成功。然而，它在永磁体中的应用仍处于开发的早期阶段。最近，Xu等采用机器学习方法为Sm-Co基合金开发了一个基于物理的机器学习模型，确定了影响居里温度的关键物理描述符。Choudhary等使用机器学习模型预测了烧结FeNdB型永磁体中的晶粒取向。尽管取得了这些进步，但机器学习在 RE-Fe-B 永磁体成分优化中的应用，特别是专注于替代 La 和 Ce 等高丰度稀土元素的应用，仍然有限。

在这项研究中，我们引入了一种新的机器学习框架，它将启发式优化算法与集成策略相结合。我们通过综合评估高丰度 REFeB 磁体的三种磁特性，将机器学习方法应用于熔融纺丝 REFeB （RE=Pr、Nd、La、Ce） 带：矫顽力 （HCJ）、剩磁（Br）和最大能量积（（BH）麦克斯).为了有效提高模型的准确性，我们将启发式优化算法与传统的机器学习回归模型相结合，促进了回归模型的快速高效优化。鉴于材料科学中小数据集的特点，采用集成策略来克服单个模型的局限性，从而提高模型的泛化能力。利用已建立的高精度和稳健性模型，我们预测并分析了 REFeB 磁体的稀土含量和电负性参数与其磁性能之间的关系。根据机器学习模型的预测结果，我们确定了一个具有相对较高的 La/Ce 比例（25 % 至 40 % La，高达 20 % Ce）的成分范围，该范围在 （PrNd 方面表现出最佳的整体磁性性能PrNdxLayCe1-x-y)12Fe82B6.该区域的磁性能已通过实验验证，其精度超过 90%。此外，在这个区域内，我们确定了一种成分(Pr,Nd)8.1La3.9Fe82B6，与不含 La 和 Ce 的成分相比，它保留了 86.4% 的整体磁性能，同时将材料成本降低了 31.3%。此外，（Pr，Nd） 的其他三种成分(Pr,Nd)8.1La3.9Fe82B6，(Pr,Nd)8.4La3.6Fe82B6和(Pr,Nd)8.1La3.3Ce0.6Fe82B6 还发现了，它实现了 31.4 %、28.9 % 和 31.3% 的成本降低，同时分别保留了 80.8 %、80.7 % 和 81.7% 的整体磁性能。这些发现为 REFeB 磁性材料的优化提供了见解，为设计和开发高性能和具有成本效益的 REFeB 磁体提供了一种新的方法。