Magnet design through physics informed machine learning

Die SimulationsexpertInnen des Departments für Integrierte Sensorsysteme der Donau-Universität Krems werden in den nächsten sieben Jahren gemeinsam mit Toyota Methoden erforschen, um mit Hilfe von Simulation und künstlicher Intelligenz Seltene Erden für Magnete als Schlüsselkomponenten von Elektromotoren zu ersetzen oder deutlich zu reduzieren. Das neue CD-Labor wird von der Christian Doppler Forschungsgesellschaft und dem Bundesministerium für Digitalisierung und Wirtschaftsförderung (BMDW) gefördert.

Ziel des CD-Labors ist es, neue Strategien für das Design von Magneten zu entwickeln, die in Elektromotoren für die E-Mobilität eingesetzt werden, um Engpässe bei der Versorgung mit Seltenen Erden zu vermeiden. Zur Optimierung der Magnete wird künstliche Intelligenz eingesetzt, um Simulationsmodelle auf Supercomputern auszuführen.

Hochleistungsmagnete spielen eine Schlüsselrolle bei grünen Technologien wie der Elektromobilität. Die wachsende Nachfrage nach Elektrofahrzeugen wird jedoch zu einer Verknappung von Seltenen Erden wie Neodym und schweren Seltenen Erden wie Terbium und Dysprosium führen. Sie sind wesentliche Bestandteile von Hochtemperatur-Permanentmagneten, wie sie in Elektroautos eingesetzt werden.

Projektübersicht

 https://youtu.be/v6qXDlfHnhA

1. Kovacs A.; Exl, L.; Kornell, A.; Fischbacher, J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Praetorius, D.; Suess, D.; Schrefl, T: Magnetostatics and Micromagnetics with Physics Informed Neural Networks: Journal of Magnetism and Magnetic Materials 2022, 548, 168951. https://doi.org/10.1016/j.jmmm.2021.168951.
2. Heistracher, P.; Abert, C.; Bruckner, F.; Schrefl, T.; Suess, D. Proposal for a Micromagnetic Standard Problem: Domain Wall Pinning at Phase Boundaries. Journal of Magnetism and Magnetic Materials 2022, 548, 168875.https://doi.org/10.1016/j.jmmm.2021.168875.
3. Oezelt, H.; Qu, L.; Kovacs, A.; Fischbacher, J.; Gusenbauer, M.; Beigelbeck, R.; Praetorius, D.; Yano, M.; Shoji, T.; Kato, A.; Chantrell, R.; Winklhofer, M.; Zimanyi, G. T.; Schrefl, T. Full-Spin-Wave-Scaled Stochastic Micromagnetism for Mesh-Independent Simulations of Ferromagnetic Resonance and Reversal. npj Comput Mater 2022, 8 (1), 1–9. https://doi.org/10.1038/s41524-022-00719-5.
4. Schaffer, S.; Mauser, N. J.; Schrefl, T.; Suess, D.; Exl, L. Machine Learning Methods for the Prediction of Micromagnetic Magnetization Dynamics. IEEE Transactions on Magnetics 2022, 58 (2), 1–6. https://doi.org/10.1109/TMAG.2021.3095251, https://arxiv.org/abs/2103.09079  
5. Kovacs, A.; Exl, L.; Kornell, A.; Fischbacher, J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Schrefl, T. Conditional Physics Informed Neural Networks. Communications in Nonlinear Science and Numerical Simulation 2022, 104, 106041. https://doi.org/10.1016/j.cnsns.2021.106041, https://arxiv.org/abs/2104.02741  
6. Exl, L.; Mauser, N. J.; Schaffer, S.; Schrefl, T.; Suess, D. Prediction of Magnetization Dynamics in a Reduced Dimensional Feature Space Setting Utilizing a Low-Rank Kernel Method. Journal of Computational Physics 2021, 444, 110586, https://doi.org/10.1016/j.jcp.2021.110586, https://arxiv.org/abs/2008.05986 
7. Exl, L.; Suess, D.; Schrefl, T. Micromagnetism.  In Handbook of Magnetism and Magnetic Materials; Coey, M., Parkin, S., Eds.; Springer International Publishing: Cham, 2020; pp 1–44. https://doi.org/10.1007/978-3-030-63101-7_7-1.
8. Kovacs, A.; Exl, L.; Kornell, A.; Fischbache,r J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Schrefl, T. Exploring the Hysteresis Properties of Nanocrystalline Permanent Magnets Using Deep Learning,https://arxiv.org/abs/2203.16676
9. Kornell, A., Exl, L, Breth, L., Fischbacher, J., Kovacs, A., Oezelt, H., Gusenbauer, M., Yano, M., Sakuma, N., Kinoshita, A., Shoji, T., Kato, A., Mauser, N. J., Schrefl, T. Description of collective magnetization processes with machine learning models. https://arxiv.org/abs/2205.03708 

Markus Gusenbauer, Machine Learning for Relating Structure and Coercivity of Permanent Magnets, June 9, 2021, The 26th International Workshop on Rare Earth and Future Permanent Magnets and Their Application, Online

Thomas Schrefl, Physics informed neural networks for computational magnetism, January 11, 2022, Joint MMM-Intermag conference, New Orleans, Online.