Tutkijat käyttävät tekoälyä löytääkseen uusia magneettisia materiaaleja, jotka eivät käytä kriittisiä elementtejä. Yhdysvaltain energiaministeriön Amesin kansallisen laboratorion tutkimusryhmä on kehittänyt uuden koneoppimismallin kestomagneettimateriaalien löytämiseksi, jotka eivät sisällä kriittisiä elementtejä. Malli ennustaa uusien materiaaliyhdistelmien Curie-lämpötilan. Tämä on tärkeä ensimmäinen askel keinoälyn käytössä uusien kestomagneettimateriaalien ennustamisessa. Malli täydentää ryhmän äskettäin kehitettyä kykyä löytää termodynaamisesti stabiileja harvinaisten maametallien materiaaleja.
Ames National Laboratoryn tutkijat ovat suunnitelleet koneoppimismallin, joka voi ennustaa uusia magneettimateriaaleja käyttämättä niukkoja elementtejä. Tämä materiaalien Curie-lämpötilaan keskittyvä innovatiivinen lähestymistapa tarjoaa kestävämmän tien tulevaisuuden teknologiasovelluksiin.
Tehokkaiden magneettien merkitys
Suorituskykyiset magneetit ovat kriittisiä teknologioissa, kuten tuulienergiassa, tiedontallennustilassa, sähköajoneuvoissa ja magneettisessa jäähdytyksessä. Nämä magneetit sisältävät avainmateriaaleja, kuten kobolttia ja harvinaisia maametallielementtejä, kuten neodyymiä ja dysprosiumia. Näillä materiaaleilla on suuri kysyntä, mutta tarjonta on rajallista. Tämä tilanne on saanut tutkijat etsimään tapoja suunnitella uusia magneettisia materiaaleja, jotka vähentävät kriittisiä materiaaleja.
Koneoppimisen rooli
Koneoppiminen (ML) on tekoälyn muoto. Sitä ohjaavat tietokonealgoritmit, jotka käyttävät dataa ja kokeilu- ja virhe -algoritmeja ennusteiden jatkuvaan parantamiseen. Tutkimusryhmä käytti kokeellista tietoa ja Curie-lämpötilojen teoreettista mallinnusta ML-algoritmin harjoittamiseen. Curie-lämpötila on korkein lämpötila, jossa materiaali pysyy magneettisena.
"Korkeiden Curie-lämpötilojen omaavien yhdisteiden löytäminen on tärkeä ensimmäinen askel sellaisten materiaalien löytämisessä, jotka voivat pysyä magneettisina korkeissa lämpötiloissa", sanoi Yaroslav Mudryk, Ames Laboratoryn tutkija ja tutkimusryhmän vanhempi johtaja. "Tämä näkökohta on ratkaisevan tärkeä paitsi kestomagneettien, myös muiden toiminnallisten magneettisten materiaalien suunnittelussa."
Mudrick uskoo, että uusien materiaalien löytäminen on haastavaa toimintaa, koska uusien materiaalien etsiminen on perinteisesti tehty kokein, mikä on kallista ja aikaa vievää. ML-menetelmien käyttö voi kuitenkin säästää aikaa ja resursseja.
Mallin testaus ja validointi
Mallin validoimiseksi ryhmä käytti seriumiin, zirkoniumiin ja rautaan perustuvia yhdisteitä. Ideaa ehdotti Andriy Palasyuk, Ames Laboratoryn tutkija ja tutkimusryhmän jäsen. Hän toivoo keskittyvänsä tuntemattomiin magneettimateriaaleihin, jotka perustuvat maan runsaisiin alkuaineisiin. Palaschuk sanoi: "Seuraavan supermagneetin tulee olla erinomaisen suorituskyvyn lisäksi myös runsaisiin kotimaisiin komponentteihin.
Palaschuk teki yhteistyötä tutkimusryhmän jäsenen Tyler Del Rosen, toisen Ames Laboratoryn tutkijan, kanssa lejeeringin syntetisoimiseksi ja karakterisoimiseksi. He havaitsivat, että ML-malli ennusti onnistuneesti ehdokasmateriaalien Curie-lämpötilan. Tämä menestys on tärkeä ensimmäinen askel korkean suorituskyvyn lähestymistavassa uusien kestomagneettien suunnittelussa tulevia teknologisia sovelluksia varten.
"Kirjoitamme fysiikkatietoista koneoppimista kestävän tulevaisuuden puolesta", Singer sanoi.
