Mokslininkai naudoja dirbtinį intelektą, kad surastų naujas magnetines medžiagas, kuriose nenaudojami svarbūs elementai. JAV Energetikos departamento Ames nacionalinės laboratorijos tyrimų grupė sukūrė naują mašininio mokymosi modelį, skirtą nuolatinio magneto medžiagoms, kuriose nėra svarbių elementų, atrasti. Modelis numato naujų medžiagų derinių Curie temperatūrą. Tai svarbus pirmasis žingsnis naudojant dirbtinį intelektą, siekiant numatyti naujas nuolatinio magneto medžiagas. Šis modelis papildo neseniai sukurtą komandos gebėjimą atrasti termodinamiškai stabilias retųjų žemių medžiagas.
Ames nacionalinės laboratorijos mokslininkai sukūrė mašininio mokymosi modelį, kuris gali numatyti naujas magnetines medžiagas nenaudojant ribotų elementų. Šis novatoriškas požiūris, orientuotas į medžiagų Curie temperatūrą, suteikia tvaresnį kelią ateities technologijų taikymui.
Didelio našumo magnetų svarba

Didelio našumo magnetai yra labai svarbūs tokioms technologijoms kaip vėjo energija, duomenų saugojimas, elektrinės transporto priemonės ir magnetinis šaldymas. Šiuose magnetuose yra pagrindinių medžiagų, tokių kaip kobaltas ir retųjų žemių elementai, tokie kaip neodimis ir disprosis. Šios medžiagos yra labai paklausios, tačiau pasiūla ribota. Ši situacija paskatino tyrėjus ieškoti būdų, kaip sukurti naujas magnetines medžiagas, kurios sumažintų kritines medžiagas.
Mašininio mokymosi vaidmuo
Mašinų mokymasis (ML) yra dirbtinio intelekto forma. Jį skatina kompiuteriniai algoritmai, naudojant duomenis ir bandymų ir klaidų algoritmus, siekiant nuolat tobulinti prognozes. Mokslininkų komanda naudojo eksperimentinius duomenis ir teorinį Curie temperatūrų modeliavimą, kad išmokytų ML algoritmą. Curie temperatūra yra aukščiausia temperatūra, kuriai esant medžiaga išlieka magnetinė.
„Suradimas junginių su aukšta Curie temperatūra yra svarbus pirmasis žingsnis atrandant medžiagas, kurios gali išlikti magnetinės esant aukštai temperatūrai“, – sakė Yaroslavas Mudrykas, „Ames Laboratory“ mokslininkas ir vyresnysis tyrimų grupės vadovas. "Šis aspektas yra labai svarbus ne tik nuolatinių magnetų, bet ir kitų funkcinių magnetinių medžiagų projektavimui."
Mudrickas mano, kad naujų medžiagų atradimas yra sudėtinga veikla, nes naujų medžiagų paieška tradiciškai buvo atliekama eksperimentuojant, o tai brangu ir atima daug laiko. Tačiau naudojant ML metodus galima sutaupyti laiko ir išteklių.

Modelių testavimas ir patvirtinimas
Norėdami patvirtinti modelį, komanda naudojo junginius, kurių pagrindą sudaro ceris, cirkonis ir geležis. Idėją pasiūlė Andriy Palasyuk, Ames laboratorijos mokslininkas ir tyrimo grupės narys. Jis tikisi sutelkti dėmesį į nežinomas magnetines medžiagas, pagrįstas Žemėje gausiais elementais. Palaschukas sakė: „Kitas supermagnetas turi ne tik puikiai veikti, bet ir pasikliauti gausiais buitiniais komponentais.
Palaschukas bendradarbiavo su tyrimų grupės nariu Tyleriu Del Rose, kitu Ames laboratorijos mokslininku, kad susintetintų ir apibūdintų lydinį. Jie nustatė, kad ML modelis sėkmingai numatė kandidatinių medžiagų Curie temperatūrą. Ši sėkmė yra svarbus pirmasis žingsnis kuriant didelio našumo metodą kuriant naujus nuolatinius magnetus būsimoms technologinėms reikmėms.
„Mes rašome fizikos pagrindu pagrįstą mašininį mokymąsi dėl tvarios ateities“, - sakė Singer.
