Naukowcy wykorzystują sztuczną inteligencję do znajdowania nowych materiałów magnetycznych, które nie wykorzystują elementów krytycznych. Zespół badawczy z Narodowego Laboratorium Ames Departamentu Energii Stanów Zjednoczonych opracował nowy model uczenia maszynowego umożliwiający odkrywanie materiałów z magnesami trwałymi, które nie zawierają pierwiastków krytycznych. Model przewiduje temperaturę Curie nowych kombinacji materiałów. To ważny pierwszy krok w wykorzystaniu sztucznej inteligencji do przewidywania nowych materiałów na magnesy trwałe. Model uzupełnia niedawno opracowaną przez zespół zdolność do odkrywania stabilnych termodynamicznie materiałów ziem rzadkich.
Naukowcy z Ames National Laboratory opracowali model uczenia maszynowego, który umożliwia przewidywanie nowych materiałów magnesów bez użycia rzadkich pierwiastków. To innowacyjne podejście skupiające się na temperaturze Curie materiałów oferuje bardziej zrównoważoną ścieżkę do przyszłych zastosowań technologii.
Znaczenie magnesów o wysokiej wydajności
Magnesy o wysokiej wydajności mają kluczowe znaczenie w technologiach takich jak energia wiatrowa, przechowywanie danych, pojazdy elektryczne i chłodnictwo magnetyczne. Magnesy te zawierają kluczowe materiały, takie jak kobalt i pierwiastki ziem rzadkich, takie jak neodym i dysproz. Materiały te są bardzo poszukiwane, ale podaż jest ograniczona. Sytuacja ta skłoniła badaczy do poszukiwania sposobów projektowania nowych materiałów magnetycznych, które redukują ilość materiałów krytycznych.
Rola uczenia maszynowego
Uczenie maszynowe (ML) jest formą sztucznej inteligencji. Opiera się na algorytmach komputerowych, wykorzystujących dane i algorytmy prób i błędów w celu ciągłego ulepszania przewidywań. Zespół badawczy wykorzystał dane eksperymentalne i teoretyczne modelowanie temperatur Curie do szkolenia algorytmu ML. Temperatura Curie to najwyższa temperatura, w której materiał pozostaje magnetyczny.
„Znalezienie związków o wysokich temperaturach Curie to ważny pierwszy krok w odkrywaniu materiałów, które mogą pozostać magnetyczne w wysokich temperaturach” – powiedział Yaroslav Mudryk, naukowiec z Ames Laboratory i starszy kierownik zespołu badawczego. „Ten aspekt ma kluczowe znaczenie nie tylko przy projektowaniu magnesów trwałych, ale także przy projektowaniu innych funkcjonalnych materiałów magnetycznych”.
Mudrick uważa, że odkrywanie nowych materiałów jest trudnym zadaniem, ponieważ poszukiwanie nowych materiałów tradycyjnie odbywało się w drodze eksperymentów, co jest kosztowne i czasochłonne. Jednak stosowanie metod ML może zaoszczędzić czas i zasoby.
Testowanie i walidacja modelu
Aby zweryfikować model, zespół użył związków na bazie ceru, cyrkonu i żelaza. Pomysł zaproponował Andrij Palasjuk, naukowiec z Ames Laboratory i członek zespołu badawczego. Ma nadzieję skupić się na nieznanych materiałach magnetycznych opartych na pierwiastkach występujących powszechnie na Ziemi. Palaschuk powiedział: „Następny supermagnes musi mieć nie tylko doskonałą wydajność, ale także opierać się na licznych rodzimych komponentach.
Palaschuk współpracował z członkiem zespołu badawczego Tylerem Del Rose, innym naukowcem z Laboratorium Ames, w celu syntezy i scharakteryzowania stopu. Odkryli, że model ML skutecznie przewidział temperaturę Curie kandydatów na materiały. Ten sukces jest ważnym pierwszym krokiem w wysokowydajnym podejściu do projektowania nowych magnesów trwałych do przyszłych zastosowań technologicznych.
„Piszemy o uczeniu maszynowym opartym na fizyce, aby zapewnić zrównoważoną przyszłość” – powiedział Singer.
