دانشمندان از هوش مصنوعی برای یافتن مواد مغناطیسی جدید که از عناصر حیاتی استفاده نمی کنند استفاده می کنند. یک تیم تحقیقاتی در آزمایشگاه ملی ایمز در وزارت انرژی ایالات متحده یک مدل یادگیری ماشینی جدید برای کشف مواد مغناطیسی دائمی که حاوی عناصر حیاتی نیستند، توسعه دادهاند. 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 مکمل توانایی اخیر تیم برای کشف مواد خاکی کمیاب با ثبات ترمودینامیکی است.
دانشمندان در آزمایشگاه ملی ایمز یک مدل یادگیری ماشینی طراحی کرده اند که می تواند مواد آهنربایی جدید را بدون استفاده از عناصر کمیاب پیش بینی کند. این رویکرد نوآورانه با تمرکز بر دمای کوری مواد، مسیر پایدارتری را برای کاربردهای فناوری آینده ارائه میکند.
اهمیت آهنرباهای با کارایی بالا
آهنرباهای با کارایی بالا برای فناوری هایی مانند انرژی باد، ذخیره سازی داده ها، وسایل نقلیه الکتریکی و تبرید مغناطیسی حیاتی هستند. این آهنرباها حاوی مواد کلیدی مانند کبالت و عناصر خاکی کمیاب مانند نئودیمیم و دیسپروزیم هستند. این مواد تقاضای زیادی دارند، اما عرضه محدود است. این وضعیت محققان را بر آن داشته است تا به دنبال راه هایی برای طراحی مواد مغناطیسی جدید باشند که مواد حیاتی را کاهش می دهد.
نقش یادگیری ماشینی
یادگیری ماشینی (ML) نوعی هوش مصنوعی است. توسط الگوریتم های کامپیوتری هدایت می شود و از داده ها و الگوریتم های آزمون و خطا برای بهبود مستمر پیش بینی ها استفاده می کند. تیم تحقیقاتی از دادههای تجربی و مدلسازی نظری دمای کوری برای آموزش الگوریتم ML استفاده کرد. دمای کوری بالاترین دمایی است که در آن یک ماده مغناطیسی باقی می ماند.
یاروسلاو مودریک، دانشمند آزمایشگاه ایمز و رهبر ارشد تیم تحقیقاتی، می گوید: «یافتن ترکیباتی با دمای کوری بالا اولین گام مهم در کشف موادی است که می توانند در دماهای بالا مغناطیسی باقی بمانند. "این جنبه نه تنها برای طراحی آهنرباهای دائمی، بلکه برای طراحی سایر مواد مغناطیسی کاربردی نیز بسیار مهم است."
مودریک معتقد است که کشف مواد جدید یک فعالیت چالش برانگیز است، زیرا جستجو برای مواد جدید به طور سنتی از طریق آزمایشها انجام میشود که گران و زمانبر است. با این حال، استفاده از روش های ML می تواند در زمان و منابع صرفه جویی کند.
تست و اعتبارسنجی مدل
برای تایید این مدل، تیم از ترکیبات مبتنی بر سریم، زیرکونیوم و آهن استفاده کردند. این ایده توسط Andriy Palasyuk، دانشمند آزمایشگاه Ames و یکی از اعضای تیم تحقیقاتی ارائه شد. او امیدوار است بر روی مواد مغناطیسی ناشناخته بر اساس عناصر فراوان زمین تمرکز کند. Palaschuk گفت: "آهنربای فوق العاده بعدی نه تنها باید عملکرد عالی داشته باشد، بلکه باید بر قطعات داخلی فراوان نیز تکیه کند.
پالاشوک با یکی از اعضای تیم تحقیقاتی تایلر دل رز، یکی دیگر از دانشمندان آزمایشگاه ایمز، برای سنتز و مشخص کردن آلیاژ همکاری کرد. آنها دریافتند که مدل ML با موفقیت دمای کوری مواد نامزد را پیشبینی میکند. این موفقیت اولین گام مهم در رویکردی با توان عملیاتی بالا برای طراحی آهنرباهای دائمی جدید برای کاربردهای فناوری آینده است.
سینگر گفت: "ما در حال نوشتن یادگیری ماشینی مبتنی بر فیزیک برای آینده ای پایدار هستیم."
