CD-Labor für Magnetdesign durch physikalisch fundiertes maschinelles Lernen

Um Versorgungsengpässe von Seltenerdelementen vorzubeugen, entwickelt dieses CD-Labor neue Strategien beim Materialdesign für Magnete. Simulationsmodelle auf Supercomputern ermöglichen dabei Optimierungen über das menschliche Verständnis hinaus.

Hochleistungsmagnete spielen eine Schlüsselrolle bei grünen Technologien wie etwa der nachhaltigen Energieerzeugung und dem umweltfreundlichen Verkehr. Bei Letzterem könnte durch schnelle und umfassende Elektrifizierung des Antriebsstrangs das ambitionierte klimapolitische Ziel von maximal zwei Grad durchschnittlicher Temperaturerhöhung erreicht werden. Dies hat erhebliche Auswirkungen auf die Nachfrage nach kritischen Materialien, wodurch eine Verachtfachung des durchschnittlichen Neodymbedarfs für Energietechnologien, Autos und Geräte zwischen 2015 und 2050 prognostiziert wird. Neodym und schwere Seltenerdelemente wie Terbium und Dysprosium sind für hochtemperaturfähige Permanentmagneten wesentliche Bestandteile. Um Versorgungsengpässe von Seltenerdelementen vorzubeugen, werden im CD-Labor neue Strategien beim Materialdesign für Magnete ohne Terbium und Dysprosium sowie mit einem reduzierten Neodymgehalt entwickelt. Erreicht wird dies mittels maschineller Lernmethoden, die das computergestützte Magnetdesign durch die Integration physikalischer Modelle über alle relevanten Längenskalen hinweg unterstützt, wobei die Materialoptimierung zusätzlich unter Berücksichtigung der Rohstoffkosten erfolgt.

Dieses CD-Labor baut auf einer selbst entwickelten Software Suite auf, d.h. auf einem Zusammenschluss mehrerer Computerprogramme. Diese wird mittlerweile weltweit zur Entwicklung von Magnetdatenspeichern, Magnetsensoren und permanentmagnetischen Materialien eingesetzt. Diese Software Suite, gestützt auf die Rechenleistung vieler parallel arbeitender Computer, d.h. massiv-paralleler Hardware, erlaubt das Studium von Magnetisierungsprozessen auf der Basis der kleinsten magnetischen Einheiten, den Kern-Schale-Körnern – und kann deren Eigenschaften durch maschinelles Lernen auf die Ebene des gesamten Magneten extrapolieren.

Mithilfe solcher mikromagnetischen Simulationen kann man berechnen, welche Magnetfeldstärke nötig ist, um einen Permanentmagneten zu entmagnetisieren (das sogenannte Koerzitivfeld). Ziel ist es, ein Regressionsmodell zu trainieren, welches das Koerzitivfeld eines Korns mit dessen Geometrie und Seltenerdgehalt verknüpft. Das Einzelkornmodell bildet die Basis für die Berechnung der Ummagnetisierung von vielen wechselwirkenden Körnern des magnetischen Materials. Auf makroskopischer Skala wird ein neuronales Netzwerk zur schnellen Magnetfeldschätzung entwickelt.

Die vorgeschlagene Methodik birgt ein zweifaches Optimierungspotential: Auf mikroskopischer Ebene werden die chemische Zusammensetzung und die Geometrie des Kern-Schale-Korns optimiert. Hingegen auf der Geräteebene ordnet die Multimaterialoptimierung hochkoerzitive (und teure) Materialien nur Regionen zu, die starken Entmagnetisierungsfeldern ausgesetzt sind. Die Projektergebnisse können die magnetischen Eigenschaften über das menschliche Verständnis hinaus drastisch verbessern und unterstützen die Forschung und Entwicklung für eine schnelle Markteinführung von Permanentmagneten zur Erhaltung der Umwelt.