Группа ученых используют ИИ для поиска новых магнитных материалов без критических элементов.
В Эймсской лаборатории — одной из шестнадцати национальных лабораторий Министерства энергетики США — тестируют новую модель машинного обучения. Алгоритм запрограммирован на то, чтобы обнаруживать материалы с постоянными магнитами, которые не содержат критических элементов. Он предсказывает температуру Кюри потенциальных новых сочетаний материалов.
Высокопроизводительные магниты используются в самых разных технологиях, начиная от энергии ветра, заканчивая хранением данных. Они нужны для создания электромобилей и магнитного охлаждения. В высокопроизводительных магнитах содержится кобальт в сочетании с редкоземельными химическими элементами неодимом и диспрозием. При большом спросе последних это становится проблемой, ведь найти их не так просто. Поэтому ученые ищут новые сочетания элементов, чтобы обойтись без критических материалов — или с меньшим их количеством.
Здесь и пригодилось машинное обучение (ML) — форма искусственного интеллекта, управляемая алгоритмами, которые используют данные и метод проб и ошибок, чтобы улучшать свои прогнозы. В этом случае ученые взяли данные экспериментов с температурой Кюри — максимальной температурой, при которой материал сохраняет свой магнетизм.
Открытие новых материалов — сложная задача. Она требует экспериментов, которые занимают много времени. Метод машинного обучения поможет решить задачу гораздо быстрее. Команда обучила свою модель ML, используя экспериментально известные магнитные материалы. Информация об этих материалах устанавливает связь между некоторыми особенностями электронного и атомного строения и температурой Кюри. Эти шаблоны дают компьютеру основу для поиска потенциальных пригодных материалов.
Для проверки модели использовались соединения на основе церия, циркония и железа. Алгоритм успешно предсказывает температуру Кюри элементов. Ученые уверены, что этот успех — первый важный шаг в создании новых высокопроизводительных магнитов.