随着高频大功率器件的快速发展，电子系统的能耗问题逐渐成为制约行业发展的关键瓶颈。在电子控制系统中，芯片如同大脑，承担着核心控制功能，而磁性元器件则如同执行各类生命活动的器官，负责能量的存储、转换与传输等关键过程。其中，软磁材料的能效表现直接影响整个系统的能源利用率、稳定性和寿命。然而，随着工作频率提升至MHz甚至GHz级别，传统软磁材料的性能短板日益凸显，尤其是在高功率密度应用场景中，这一问题更为突出，成为阻碍电子系统向更高效率、更小体积、更轻量化发展的主要障碍。
在这一背景下，铁基非晶/纳米晶合金凭借其优异的软磁性能，成为应对上述挑战的有力候选材料。与传统的硅钢相比，铁基非晶合金具有更低的磁芯损耗和矫顽力，通常低于10 A/m，能够在10 kHz频率下高效运行，且不会牺牲能效或产生过多热量。然而，铁基非晶/纳米晶合金的饱和磁感通常在1.2 T至1.7 T之间，低于硅钢的1.8 T至2.0 T，这限制了它们在高功率密度设备中的应用。因此，开发具有高饱和磁感和低矫顽力的新型非晶/纳米晶合金，对于提升设备性能和能效至关重要。
长期以来，非晶合金的成分与性能关系缺乏理论基础，铁基非晶合金的开发主要依赖于试错法，这严重阻碍了高饱和磁感非晶合金的发展。近年来，机器学习技术在材料科学领域的应用迅速兴起，为加速新型材料的发现提供了更高效的途径。特别是对于非晶合金这种复杂无序的材料，机器学习在数据挖掘方面展现出巨大潜力。
中国科学院宁波材料技术与工程研究所的王军强与霍军涛团队，成功构建了极端梯度提升树、随机森林和支持向量机三种不同的机器学习模型，用于预测铁基非晶合金的饱和磁感。经过特征工程和超参数优化训练，这些模型能够准确预测饱和磁感，其中极端梯度提升树模型表现最佳，测试集的决定系数大于0.85，均方根误差不超过0.12 T，显示出较高的预测精度。
通过特征重要性分析，该研究确定了铁含量、混合焓和电负性差异是影响饱和磁感的三个关键因素。进一步的沙普利加性解释分析方法量化了这些参数的影响：铁含量需超过75 at.%，混合焓应介于-18.7至-14 kJ/mol之间，而电负性差异应小于0.07。这些参数的优化有助于提高饱和磁感，同时保持良好的非晶形成能力。第一性原理计算验证表明，在铁含量相同的情况下，电负性差异较小的铁基非晶合金具有更高的饱和磁感。这是因为电负性差异较小的合金具有较低的费米能级，有利于增加合金中铁原子的未配对电子数量，从而提高总磁矩。
基于上述设计准则，并通过用Co部分替代Fe以利用Fe-Co的交换耦合作用，该团队设计了Fe-Co-Ni-Si-B、Fe-Co-Ni-B-P-C、Fe-Co-N-B-P-C-V等铁基非晶/纳米晶合金。实验结果表明，这些合金经磁场退火后，饱和磁感均超过1.85 T，且矫顽力可降至1.2 A/m。其中，(Fe82Co18)85.5Ni1.5B9P3C1和Fe69Co16Ni1Si3B11的饱和磁感可达1.92 T，且综合软磁性能超越硅钢。
这一研究不仅为高性能铁基非晶/纳米晶合金的开发提供了新的理论依据，还展示了机器学习技术在材料科学中的巨大潜力。通过机器学习模型的精准预测和参数优化，研究人员能够快速筛选出具有理想性能的合金成分，显著提高了新材料的研发效率。未来，随着机器学习技术在材料科学中的进一步应用，有望推动更多高性能材料的开发，为电子系统向更高效率、更小体积、更轻量化发展提供有力支持。
