机器学习辅助各向异性立方体磁体解析磁场计算

《Journal of Materials Science & Technology》：Machine learning assisted analytical field calculation of anisotropic cuboid magnets

　　

摘要：磁体位磁场计算的解析表达式(analytical expression)可提供亚毫秒级的计算速度，非常适用于磁系统建模。然而此类解析模型均假设磁化强度(magnetization)完全均匀，而由于自退磁效应(self-demagnetization effect)，这一假设通常并不成立。本文提出一种基于神经网络(neural network)的算法，在保持解析模型极低延迟的同时，精确补偿由自退磁效应引起的磁化偏差。为展示该算法在磁位置与姿态系统(magnetic position and orientation systems)中的应用潜力，研究人员证明该算法可将采用非理想磁体的操纵杆(joystick)的角度精度提高一个数量级。

一、研究背景与开展的研究及意义

各向异性(anisotropic)永磁体广泛应用于磁传感器[magnetic sensor]、电动机及执行器(actuator)中，准确高效的模型对磁系统建模至关重要。目前常用的数值方法如基于快速傅里叶变换(Fast Fourier Transform, FFT)的方法或静磁矩量法(Magnetostatic Method of Moments, MoM)虽能模拟自退磁效应，但其计算延迟达秒级，难以满足逆问题(inverse problem)中需进行成千上万次场计算的需求。现有的机器学习方法通常需针对特定磁体几何形状和材料属性重新训练网络，不适用于实时应用与逆设计。此外，解析解(closed-form analytical solution)虽具极低计算成本，但要求磁化强度完全均匀——这在实际稀土磁体及环保替代材料（如铁氧体hard ferrite、FeN）中因自退磁效应而不成立，尤其立方体(cuboid)磁体不同于椭球或球体，其退磁场(demagnetizing field)空间分布不均匀，无均匀退磁张量的闭合解。为此，研究人员提出了一种结合解析一阶近似与紧凑神经网络修正的机器学习辅助算法，用于各向异性立方体磁性材料的磁场计算，无需重新训练即可覆盖宽尺寸与各向异性磁化率(anisotropic susceptibility)范围，且全程可自动微分(autograd differentiable)，适用于下游优化。该算法在保持解析解极低延迟的同时，显著提高了含强自退磁效应磁体的场计算精度，可降低对高性能稀土磁体的依赖，减少成本与废料。据用户提供说明，该论文发表于《Journal of Materials Science》。

二、主要关键技术方法

研究人员首先以各向异性立方体磁体的均匀磁化解析磁场公式作为一阶近似(base analytical solution)；其次采用静磁矩量法(MoM)计算带有自退磁效应的真实磁场分布，构建"解析近似场—真实退磁场偏差"的训练数据集；随后训练一个轻量级前馈神经网络(feed-forward neural network)以拟合该偏差作为修正项；网络输入包含观测点坐标、磁体几何尺寸比(a:b:c)及各方向退磁因子相关信息，输出为磁场矢量修正量；训练完成后将解析解与网络输出叠加得到修正磁场。该模型支持批量向量化计算及自动微分，且泛化至未训练过的尺寸与磁化率组合无需重训。验证集以MoM计算结果作为基准真值(ground truth)。

三、论文主体各节研究结果

Magnetostatics（静磁学）

研究人员指出实际磁体会因加工公差、材料缺陷及磁化误差偏离理想均匀磁化状态，其中自退磁效应是主要偏差来源。立方体磁体内部退磁场空间分布不均，导致整体磁化强度不再是常矢量，传统均匀磁化假设引入系统性误差。

Neural networks（神经网络）

研究人员介绍了前馈神经网络的基本数学形式F(x;θ):X→Y，通过最小化损失函数L(y,y′)在输入–输出数据对(xi, yi)上训练权重偏置θ。文中采用紧凑多层感知机(multilayer perceptron, MLP)作为修正模块，因其推理延迟极低，可与解析公式同步计算。

Results（结果）

研究人员对比了基于式(15)（磁场分量修正方案）与式(17)（球坐标修正方案）在验证集上的表现。结果表明，基于式(17)的算法误差较纯解析解降低一个数量级以上（以MoM计算结果为基准）；且该算法明显优于文献[39]中类似方法。修正后整体磁场误差显著降低，可有效表征强自退磁条件下的非均匀磁化效应。

Sensor applications（传感器应用）

研究人员将该算法（基于式(17)）应用于两类需低延迟且需大量场仿真的逆问题：磁体参数表征(magnet characterization)及基于操纵杆(joystick)运动的磁位置传感器(magnetic position sensor)实现。在操纵杆应用中，采用该算法校正非理想磁体的磁场模型后，角度解算精度较传统解析模型提升约一个数量级，验证了方法在实用磁传感系统中的有效性。

Discussion（讨论）

研究人员总结，本文构建了基于小型神经网络的算法，可在保留解析表达式低延迟与低内存占用的同时，精确模拟各向异性立方体磁体的磁场（含显著自退磁导致的非均匀磁化）。通过在磁模型中显式纳入材料退磁特性，该方法拓宽了低成本非稀土磁体在高精度磁传感系统中的应用可行性。

四、讨论与结论翻译

本文构建了一种基于小型神经网络、用于各向异性立方体磁体磁场精确模拟的算法，在保留解析表达式极低延迟与内存开销的同时，可模拟磁化强度因强自退磁效应而显著偏离均匀态的情形。通过在磁模型中显式纳入材料退磁特性，该方法使得在低品质非稀土磁体用于高精度磁传感系统时仍能获得可靠结果，从而降低对此类系统中对高质量稀土永磁体的依赖，减少成本与废弃物。该算法结合解析一阶近似与神经网络修正场偏差，支持宽几何尺寸与各向异性磁化率范围且无需重新训练，全模型可通过自动微分进行梯度反向传播，适用于逆设计与优化任务。研究人员进一步通过磁体表征及操纵杆磁位置传感应用验证了算法在需大规模场计算的逆问题中的实用价值。

（注：论文中CRediT署名声明、利益冲突声明及基金致谢部分略去未列入解读正文。）