Учените използват изкуствен интелект, за да намерят нови магнитни материали, които не използват критични елементи. Изследователски екип от Националната лаборатория Еймс на Министерството на енергетиката на САЩ разработи нов модел за машинно обучение за откриване на материали с постоянен магнит, които не съдържат критични елементи. Моделът прогнозира температурата на Кюри на нови комбинации от материали. Това е важна първа стъпка в използването на изкуствен интелект за прогнозиране на нови материали с постоянен магнит. Моделът допълва наскоро развитата способност на екипа да открива термодинамично стабилни редкоземни материали.
Учените от Националната лаборатория на Еймс са проектирали модел за машинно обучение, който може да предвиди нови магнитни материали, без да използва оскъдни елементи. Този иновативен подход, фокусиран върху температурата на Кюри на материалите, предлага по-устойчив път към бъдещи технологични приложения.
Значението на високоефективните магнити
Високопроизводителните магнити са критични за технологии като вятърна енергия, съхранение на данни, електрически превозни средства и магнитно охлаждане. Тези магнити съдържат ключови материали като кобалт и редкоземни елементи като неодим и диспрозий. Тези материали са в голямо търсене, но предлагането е ограничено. Тази ситуация подтикна изследователите да търсят начини за проектиране на нови магнитни материали, които намаляват критичните материали.
Ролята на машинното обучение
Машинното обучение (ML) е форма на изкуствен интелект. Той се управлява от компютърни алгоритми, като се използват данни и алгоритми за проба и грешка за непрекъснато подобряване на прогнозите. Изследователският екип използва експериментални данни и теоретично моделиране на температурите на Кюри, за да обучи ML алгоритъма. Температурата на Кюри е най-високата температура, при която даден материал остава магнитен.
„Намирането на съединения с високи температури на Кюри е важна първа стъпка в откриването на материали, които могат да останат магнитни при високи температури“, каза Ярослав Мудрик, учен от Ames Laboratory и старши ръководител на изследователския екип. "Този аспект е от решаващо значение не само за дизайна на постоянни магнити, но и за дизайна на други функционални магнитни материали."
Мудрик вярва, че откриването на нови материали е предизвикателна дейност, тъй като търсенето на нови материали традиционно се извършва чрез експерименти, което е скъпо и отнема много време. Използването на ML методи обаче може да спести време и ресурси.
Тестване и валидиране на модела
За да потвърди модела, екипът използва съединения на базата на церий, цирконий и желязо. Идеята е предложена от Андрий Паласюк, учен от лабораторията на Еймс и член на изследователския екип. Той се надява да се съсредоточи върху неизвестни магнитни материали, базирани на богати на Земята елементи. Паласчук каза: „Следващият супер магнит трябва не само да има отлична производителност, но и да разчита на изобилие от домашни компоненти.
Паласчук си сътрудничи с члена на изследователския екип Тайлър Дел Роуз, друг учен от лабораторията на Еймс, за да синтезира и характеризира сплавта. Те откриха, че моделът ML успешно прогнозира температурата на Кюри на кандидат-материалите. Този успех е важна първа стъпка във високопроизводителния подход за проектиране на нови постоянни магнити за бъдещи технологични приложения.
„Ние пишем базирано на физиката машинно обучение за устойчиво бъдеще“, каза Сингър.
