Naučnici koriste umjetnu inteligenciju kako bi pronašli nove magnetne materijale koji ne koriste kritične elemente. Istraživački tim u Nacionalnoj laboratoriji Ames Ministarstva energetike SAD razvio je novi model mašinskog učenja za otkrivanje materijala permanentnih magneta koji ne sadrže kritične elemente. Model predviđa Curie temperaturu novih kombinacija materijala. Ovo je važan prvi korak u korištenju umjetne inteligencije za predviđanje novih materijala trajnih magneta. Model nadopunjuje nedavno razvijenu sposobnost tima da otkrije termodinamički stabilne materijale rijetkih zemalja.
Naučnici iz Nacionalne laboratorije Ames dizajnirali su model mašinskog učenja koji može predvideti nove magnetne materijale bez upotrebe oskudnih elemenata. Ovaj inovativni pristup koji se fokusira na Curie temperaturu materijala nudi održiviji put ka budućim primjenama tehnologije.
Važnost magneta visokih performansi
Magneti visokih performansi su kritični za tehnologije kao što su energija vjetra, skladištenje podataka, električna vozila i magnetno hlađenje. Ovi magneti sadrže ključne materijale poput kobalta i rijetkih zemljanih elemenata kao što su neodim i disprozijum. Ovi materijali su u velikoj potražnji, ali ponuda je ograničena. Ova situacija je navela istraživače da traže načine za dizajn novih magnetnih materijala koji smanjuju kritične materijale.
Uloga mašinskog učenja
Mašinsko učenje (ML) je oblik umjetne inteligencije. Pokreću ga kompjuterski algoritmi, koristeći podatke i algoritme pokušaja i grešaka za kontinuirano poboljšanje predviđanja. Istraživački tim je koristio eksperimentalne podatke i teorijsko modeliranje Curie temperatura za obuku ML algoritma. Curie temperatura je najviša temperatura na kojoj materijal ostaje magnetski.
"Pronalaženje spojeva s visokim Curie temperaturama važan je prvi korak u otkrivanju materijala koji mogu ostati magnetski na visokim temperaturama", rekao je Yaroslav Mudryk, naučnik iz laboratorije Ames i viši vođa istraživačkog tima. "Ovaj aspekt je ključan ne samo za dizajn trajnih magneta, već i za dizajn drugih funkcionalnih magnetnih materijala."
Mudrick smatra da je otkrivanje novih materijala izazovna aktivnost jer se potraga za novim materijalima tradicionalno odvija kroz eksperimente, što je skupo i dugotrajno. Međutim, korištenje ML metoda može uštedjeti vrijeme i resurse.
Testiranje i validacija modela
Za validaciju modela, tim je koristio jedinjenja na bazi cerijuma, cirkonijuma i gvožđa. Ideju je predložio Andriy Palasyuk, naučnik u Ames Laboratory i član istraživačkog tima. Nada se da će se fokusirati na nepoznate magnetne materijale zasnovane na elementima obilnim Zemljom. Palaschuk je rekao: „Sljedeći super magnet ne samo da mora imati odlične performanse, već se mora oslanjati i na obilje domaćih komponenti.
Palaschuk je sarađivao sa članom istraživačkog tima Tylerom Del Roseom, još jednim naučnikom iz Ames Laboratorije, kako bi sintetizovao i karakterizirao leguru. Otkrili su da je ML model uspješno predvidio Curie temperaturu materijala kandidata. Ovaj uspjeh je važan prvi korak u pristupu visoke propusnosti dizajniranju novih trajnih magneta za buduće tehnološke primjene.
„Pišemo mašinsko učenje zasnovano na fizici za održivu budućnost“, rekao je Singer.
