As demand grows for electric vehicles and advanced mobility technologies, developing materials for permanent magnets has become increasingly essential. Among them, SmCo-based permanent magnets are gaining attention due to their superior thermal stability compared to conventional NdFeB magnets, making them promising candidates for high-temperature motor applications. However, optimizing the magnetic properties of SmCo alloys remains challenging due to their complex phase structures and elemental interactions. In this study, we develop and optimize machine learning (ML) models to predict the saturation magnetization of SmCo permanent magnets using only composition-based descriptors. A dataset comprising various SmCo alloys was analyzed, with features extracted using Matminer and Pymatgen modules. We applied Random Forest (RF), eXtreme Gradient Boosting (XGB), and Support Vector Regression (SVR) models and compared their regression performance using R2 score and Root-mean-squared-error (RMSE). The RF model demonstrated the best generalization and prediction accuracy. To identify the most influential features, we used permutation feature importance. Further, we refined the feature set using a genetic algorithm (GA), ultimately selecting 9 key features that yielded the highest model performance (R2 = 0.963, RMSE = 4.22 emu/g). This study highlights the potential of combining machine learning with genetic optimization to accelerate the design of high-performance, thermally stable SmCo permanent magnets.

마이크로웨이브 Mg-Mn훼라이트에서 비자성 이온인 알루미늄으로 Fe 이온을 치환하여 포화자화를 낮출 수 있다. 이것은 마이크로웨이브 훼라이트의 사용 주파수 영역의 확장을 위해 필요하다. 이때 다른 특성의 변화가 수반되는 것은 검토해 봐야 할 점중의 하나이다. 본 연구에서는 MgO: MnO : Fe2O3를 1.0:0.1:0.95몰비로 제조한 마이크로 웨이브 훼라이트[화학식:(MgO)1.0(MnO)0.1(AlxFe1.9-xO2.85]에서 AI을 0.1에서 0.4까지 첨가한 경우의 전기적.자기적 특성을 미세조직과 아울러 조사하였다. 포화자화 값은 첨가량에 따라 감소하였으며 강자성공명 선폭도 마찬가지였다. Hc 값은 첨가량 0.2이상에서 103.48A/m(1.3Oe)이하로 나타났으며 각형비는 모두 우수하였다. 공명자기장은 첨가량에 따라 거의 변화가 없었다. 이상고 같은 실험결과로부터 적절한 조성범위에서 각각의 물성을 조합하여 넓은 범위의 마이크로웨이브 소자에 응용할 수 있는 제반 물성을 얻을 수 있었다.