Conception d'aimants guidée par les données – datamag

Conception d'aimants guidée par les données grâce à la synthèse combinatoire et aux réseaux de graphes micromagnétiques
Contexte général de recherche : La réduction des émissions de gaz à effet de serre est devenue une priorité mondiale. L'électrification des transports et les énergies renouvelables reposent en grande partie sur les aimants permanents. Réduire la teneur des aimants en éléments critiques, tout en restant en adéquation avec les besoins spécifiques d'une application est un point clé du développement des technologies vertes. Les simulations micromagnétiques, bien qu'elles soient largement utilisées dans le stockage de données magnétiques et l'électronique de spin, sont difficilement adaptables aux questions de conception des aimants massifs. Pour faire sauter ce verrou, nous nous appuierons sur une approche de machine learning guidé par les données.
Objectifs : Ce projet vise à utiliser le machine learning guidé par les données pour améliorer la compréhension fondamentale du retournement de l’aimantation et de faciliter la conception inverse des aimants permanents. Les objectifs du projet sont les suivants :
• utiliser l’élaboration combinatoire et la caractérisation à haut débit pour établir une base de données qui relie la composition chimique, la microstructure et les conditions de traitement
• établir un réseau de graphes pour la prédiction rapide des courbes de désaimantation de micro-îlots magnétiques durs en utilisant des données provenant de simulations micromagnétiques massivement parallèles
• appliquer l'assimilation des données pour identifier et corriger les erreurs systématiques dans les prédictions
• appliquer la conception inverse afin de determiner à partir des propriétés souhaitées des compositions et des structures magnétiques prometteuses.
Méthodes : Par la combinaison des différentes données provenant de mesures à haut débit sur des films magnétiques combinatoires élaborés par pulvérisation, nous établirons des modèles de réseaux de graphes micromagnétiques qui prédisent les propriétés d'hystérésis à partir de la composition chimique, de la structure et des conditions de traitement. Dans le domaine de la dynamique des fluides, il a été constaté que les réseaux neuronaux en graphes accélèrent les simulations traditionnelles de plusieurs ordres de grandeur. La structure granulaire des films magnétiques durs microstructurés conduit naturellement à une représentation en graphes. Les données créées à la fois par les expériences et la simulation micromagnétique peuvent être assimilées pour la création de modèles de machine learning robustes et fiables. Le projet se concentrera sur l’optimisation des propriétés des aimants (Nd,Dy,La,Ce)FeB dont la teneur en Nd et Dy est fortement réduite, en jouant sur la composition chimique et en explorant les structures multiphases obtenues par la diffusion aux joints de grains.
Innovation : Les réseaux neuronaux en graphes peuvent faire des prédictions pour des systèmes plus grands et plus complexes que ceux utilisés pendant la phase d’apprentissage. La technique proposée est une méthodologie permettant de réaliser des prédictions des propriétés d'hystérésis pour des systèmes à grande échelle comprenant des milliers de grains. L'identification et la correction des erreurs systématiques du modèle seront possibles grâce aux riches données obtenues par la synthèse combinatoire et la caractérisation à haut débit.
Principaux chercheurs impliqués : Le projet réunit des compétences complémentaires en matière de simulations micromagnétiques et de machine learning (Dr. Harald Özelt, Danube University Krems, Autriche) et d'aimants permanents et de magnétisme en couches minces (Dr. Nora Dempsey, Institut Néel, CNRS Grenoble).