5 سپتامبر 2023 -توسط آزمایشگاه ملی ایمز-عکس آهنربا. اعتبار: آزمایشگاه ملی ایمز وزارت انرژی ایالات متحده
تیمی از دانشمندان آزمایشگاه ملی ایمز مدل جدیدی برای یادگیری ماشینی برای کشف مواد آهنربای دائمی بدون عنصر حیاتی ایجاد کرده‌اند. این مدل دمای کوری ترکیب مواد جدید را پیش‌بینی می‌کند. این اولین قدم مهم در استفاده از هوش مصنوعی برای پیش‌بینی مواد مغناطیسی دائمی جدید است. این مدل به توانایی اخیر تیم برای کشف مواد خاکی کمیاب پایدار از نظر ترمودینامیکی می افزاید. این اثر در Chemistry of Materials منتشر شده است.
آهنرباهای با کارایی بالا برای فناوری هایی مانند انرژی باد، ذخیره سازی داده ها، وسایل نقلیه الکتریکی و تبرید مغناطیسی ضروری هستند. این آهنرباها حاوی مواد حیاتی مانند کبالت و عناصر خاکی کمیاب مانند نئودیمیم و دیسپروزیم هستند. این مواد تقاضای زیادی دارند اما در دسترس بودن محدودی دارند. این وضعیت باعث انگیزه محققان برای یافتن راه هایی برای طراحی مواد مغناطیسی جدید با مواد بحرانی کاهش یافته است.
یادگیری ماشینی (ML) نوعی هوش مصنوعی است. توسط الگوریتم های کامپیوتری هدایت می شود که از داده ها و الگوریتم های آزمون و خطا برای بهبود مستمر پیش بینی های خود استفاده می کنند. این تیم از داده های تجربی در مورد دمای کوری و مدل سازی نظری برای آموزش الگوریتم ML استفاده کرد. دمای کوری حداکثر دمایی است که در آن یک ماده مغناطیس خود را حفظ می کند.
یاروسلاو مودریک، دانشمند آزمایشگاه ایمز و رهبر ارشد تیم تحقیقاتی، می گوید: «پیدا کردن ترکیباتی با دمای کوری بالا اولین گام مهم در کشف موادی است که می توانند خواص مغناطیسی را در دماهای بالا حفظ کنند. “این جنبه برای طراحی نه تنها آهنرباهای دائمی بلکه برای سایر مواد مغناطیسی کاربردی بسیار مهم است.”
به گفته Mudryk، کشف مواد جدید یک فعالیت چالش برانگیز است زیرا جستجو به طور سنتی مبتنی بر آزمایش است که گران و زمان بر است. با این حال، استفاده از روش ML می تواند در زمان و منابع صرفه جویی کند.
پراشانت سینگ، دانشمند آزمایشگاه ایمز و عضو تیم تحقیقاتی، توضیح داد که بخش عمده ای از این تلاش، توسعه یک مدل ML با استفاده از علوم بنیادی بود. این تیم مدل ML خود را با استفاده از مواد مغناطیسی شناخته شده تجربی آموزش دادند. اطلاعات مربوط به این مواد رابطه ای بین چندین ویژگی ساختار الکترونیکی و اتمی و دمای کوری برقرار می کند. این الگوها به کامپیوتر مبنایی برای یافتن مواد کاندید بالقوه می دهد.
برای آزمایش این مدل، تیم از ترکیبات مبتنی بر سریم، زیرکونیوم و آهن استفاده کردند. این ایده توسط Andriy Palasyuk، دانشمند آزمایشگاه Ames و عضو تیم تحقیقاتی ارائه شد. او می خواست بر روی مواد مغناطیسی ناشناخته بر اساس عناصر فراوان زمین تمرکز کند. پالاسیوك گفت: «آهنربای فوق‌العاده بعدی نه تنها باید از نظر كارایی عالی باشد، بلكه باید به اجزای داخلی فراوان نیز متكی باشد.
پالاسیوک با تایلر دل رز، دانشمند دیگری در آزمایشگاه ایمز و عضو تیم تحقیقاتی، برای سنتز و مشخص کردن آلیاژها کار کرد. آنها دریافتند که مدل ML در پیش‌بینی دمای کوری مواد نامزد موفق بود. این موفقیت اولین قدم مهم در ایجاد روشی با توان بالا برای طراحی آهنرباهای دائمی جدید برای کاربردهای فناوری آینده است.
سینگ گفت: ما در حال نوشتن یادگیری ماشینی مبتنی بر فیزیک برای آینده ای پایدار هستیم.
