釹鐵硼永磁材料因其高矯頑力和高磁能積，廣泛應用于新能源汽車、風力發電、節能電機等領域。目前高性能釹鐵硼材料往往依賴Dy（鏑）、Tb（鋱）等稀缺、昂貴的重稀土元素，嚴重制約其大規模推廣和應用。引入儲量豐富、成本較低的La（鑭）、Ce（鈰）等高豐度稀土作為替代，能夠緩解關鍵資源依賴、提升稀土利用率。

中國科學院物理研究所M03組長期從事稀土磁性功能材料研究（包括稀土永磁和稀土磁制冷材料），前期利用稀土分離過程中的中間產物，首次在國際上研制出高豐度混合稀土燒結磁體的制備方法，成功制備出磁性能優異的MM(Ce)-Fe-B/Nd-Fe-B雙主相磁體。進一步研究發現高豐度稀土元素的引入容易導致磁體性能下降。同時，成分變量增多也使得性能與組分之間的關系更為復雜，傳統依賴試錯的優化策略面臨效率低、成本高的難題。

最近，中國科學院物理研究所/北京凝聚態物理國家研究中心磁學國家重點實驗室M03組博士生王錚在王晶副研究員、胡鳳霞研究員和沈保根院士共同指導下，聯合鋼鐵研究總院朱明剛教授、李衛院士等合作，提出了一種基于機器學習方法的創新性數據驅動材料優化框架，構建了具有“成分+復合電負性-磁性能”雙向預測功能的雙集成回歸模型。研究團隊基于公開發表文獻相關實驗數據，構建了涵蓋材料電負性、化學成分與磁性能參數的快淬釹鐵硼薄帶完備數據集。以釹鐵硼材料中各元素的化學電負性為基礎進行了模型特征構造，將原始化學組分向更有物理意義的特征空間映射，增強模型的可解釋性，為釹鐵硼材料的性能優化提供新思路。同時，研究團隊引入啟發式智能優化算法與集成策略，基于模型選擇結果，針對不同磁性能融合多種回歸模型，進一步提升模型預測準確度與泛化能力，實現了高豐度稀土釹鐵硼永磁材料的高效開發設計。

基于所建立的機器學習模型預測分析，團隊在((Pr,Nd)xLayCe1-x-y)12Fe82B6組分體系中識別出一個兼具高磁性能與高比例高豐度稀土元素的成分區間，其中La含量達稀土總量25–40%，Ce最高達20%。進一步的實驗驗證結果表明，模型預測準確率超過90%。在此基礎上，團隊進一步篩選出4種高性價比釹鐵硼組分，均實現超過28%的成本降低，及80%以上的磁性能保留。其中，最佳組分(Pr,Nd)8.1La3.6Ce0.3Fe82B6，相較于無La、Ce替代的原始組分，成本降低31.3%，綜合磁性能保留86.4%，在性能與經濟性之間達成優異平衡。

圖. (a) 機器學習預測((Pr,Nd)xLayCe1-x-y)12Fe82B6高磁性能成分區間 (b) 樣品實驗驗證結果-退磁曲線 (c)預測值與實驗驗證值對比 (d)相對成本降低與相對磁性能保留對比

相關研究成果以“Machine learning guided design of RE-Fe-B(RE=PrNd,La,Ce) with comprehensive high performance”為題發表在Acta Materialia [Acta Mater. 2025, 292, 121031]上。并已申請發明專利（專利號：2024105047807）。該工作得到了科技部國家重點研發計劃、工業和信息化部高質量發展專項資金項目、國家自然科學基金和中國科學院戰略性先導科技專項的支持。

編輯：涼漸

1.2.

3.

4.

5.

6.

7.

8.

9.

10.