A tudósok mesterséges intelligenciát használnak új mágneses anyagok felkutatására, amelyek nem használnak kritikus elemeket. Az Egyesült Államok Energiaügyi Minisztériumának Ames Nemzeti Laboratóriumának kutatócsoportja új gépi tanulási modellt fejlesztett ki olyan állandó mágneses anyagok felfedezésére, amelyek nem tartalmaznak kritikus elemeket. A modell megjósolja új anyagkombinációk Curie-hőmérsékletét. Ez egy fontos első lépés a mesterséges intelligencia használatában az új állandó mágneses anyagok előrejelzésében. A modell kiegészíti a csapatnak a közelmúltban kifejlesztett képességét a termodinamikailag stabil ritkaföldfém anyagok felfedezésére.
Az Ames National Laboratory tudósai olyan gépi tanulási modellt terveztek, amely szűkös elemek felhasználása nélkül képes előre jelezni az új mágneses anyagokat. Ez az innovatív megközelítés, amely az anyagok Curie-hőmérsékletére összpontosít, fenntarthatóbb utat kínál a jövő technológiai alkalmazásaihoz.
A nagy teljesítményű mágnesek jelentősége
A nagy teljesítményű mágnesek kritikusak az olyan technológiákban, mint a szélenergia, az adattárolás, az elektromos járművek és a mágneses hűtés. Ezek a mágnesek olyan kulcsfontosságú anyagokat tartalmaznak, mint a kobalt és ritkaföldfém elemek, például neodímium és diszprózium. Ezekre az anyagokra nagy a kereslet, de a kínálat korlátozott. Ez a helyzet arra késztette a kutatókat, hogy olyan új mágneses anyagok tervezésének módjait keressék, amelyek csökkentik a kritikus anyagok mennyiségét.
A gépi tanulás szerepe
A gépi tanulás (ML) a mesterséges intelligencia egyik formája. Számítógépes algoritmusok vezérlik, adat- és próba-hiba algoritmusokat használva az előrejelzések folyamatos javítására. A kutatócsoport kísérleti adatokat és a Curie-hőmérséklet elméleti modellezését használta fel az ML algoritmus betanításához. A Curie-hőmérséklet az a legmagasabb hőmérséklet, amelyen az anyag mágneses marad.
"A magas Curie-hőmérsékletű vegyületek megtalálása az első fontos lépés olyan anyagok felfedezésében, amelyek magas hőmérsékleten is mágnesesek maradnak" - mondta Yaroslav Mudryk, az Ames Laboratory tudósa és a kutatócsoport vezető vezetője. "Ez a szempont nem csak az állandó mágnesek, hanem más funkcionális mágneses anyagok tervezésénél is kulcsfontosságú."
Mudrick úgy véli, hogy az új anyagok felfedezése kihívást jelent, mivel az új anyagok keresése hagyományosan kísérletekkel történik, ami drága és időigényes. Az ML módszerek használatával azonban időt és erőforrásokat takaríthatunk meg.
Modell tesztelés és validálás
A modell validálásához a csapat cérium-, cirkónium- és vasalapú vegyületeket használt. Az ötletet Andriy Palasyuk, az Ames Laboratory tudósa és a kutatócsoport tagja javasolta. Reméli, hogy a Földben bővelkedő elemeken alapuló ismeretlen mágneses anyagokra összpontosíthat. Palaschuk elmondta: "A következő szupermágnesnek nemcsak kiváló teljesítményt kell nyújtania, hanem a bőséges hazai alkatrészekre is támaszkodnia kell.
Palaschuk együttműködött a kutatócsoport tagjával, Tyler Del Rose-zal, az Ames Laboratory egy másik tudósával, hogy szintetizálják és jellemezzék az ötvözetet. Azt találták, hogy az ML-modell sikeresen megjósolta a jelölt anyagok Curie-hőmérsékletét. Ez a siker egy fontos első lépés egy nagy áteresztőképességű megközelítésben, amely új állandó mágnesek tervezésére irányul a jövőbeli technológiai alkalmazásokhoz.
"Fizikán alapuló gépi tanulást írunk a fenntartható jövő érdekében" - mondta Singer.
