Tim naučnika iz Nacionalne laboratorije Ames razvio je novi model mašinskog učenja za otkrivanje materijala trajnih magneta bez kritičnih elemenata. Model predviđa Kirijevu temperaturu novih kombinacija materijala. To je važan prvi korak u korišćenju veštačke inteligencije za predviđanje novih materijala trajnih magneta. Ovaj model dodaje nedavno razvijenu sposobnost tima za otkrivanje termodinamički stabilnih materijala retkih zemalja. Rad je objavljen u časopisu Hemija materijala.
Magneti visokih performansi su neophodni za tehnologije kao što su energija vetra, skladištenje podataka, električna vozila i magnetno hlađenje. Ovi magneti sadrže kritične materijale kao što su kobalt i elementi retkih zemalja kao što su neodimijum i disprozijum. Ovi materijali su u velikoj potražnji, ali imaju ograničenu dostupnost. Ova situacija motiviše istraživače da pronađu načine da dizajniraju nove magnetne materijale sa smanjenim kritičnim materijalima.
Mašinsko učenje (ML) je oblik veštačke inteligencije. Pokreću ga kompjuterski algoritmi koji koriste podatke i algoritme pokušaja i grešaka kako bi stalno poboljšavali svoja predviđanja. Tim je koristio eksperimentalne podatke o Kirijevim temperaturama i teorijsko modeliranje da obuči ML algoritam. Kirijeva temperatura je maksimalna temperatura na kojoj materijal održava svoj magnetizam.
„Pronalaženje jedinjenja sa visokom Kirijevom temperaturom važan je prvi korak u otkrivanju materijala koji mogu da održe magnetna svojstva na povišenim temperaturama“, rekao je Jaroslav Mudrik, naučnik iz laboratorije Ames i viši vođa istraživačkog tima. „Ovaj aspekt je kritičan za dizajn ne samo trajnih magneta već i drugih funkcionalnih magnetnih materijala.“
Prema Mudriku, otkrivanje novih materijala je izazovna aktivnost jer se potraga tradicionalno zasniva na eksperimentisanju, što je skupo i dugotrajno. Međutim, korišćenje ML metode može uštedeti vreme i resurse.
Prašant Sing, naučnik u laboratoriji Ames i član istraživačkog tima, objasnio je da je glavni deo ovog napora bio razvoj ML modela koristeći fundamentalnu nauku. Tim je trenirao svoj ML model koristeći eksperimentalno poznate magnetne materijale. Informacije o ovim materijalima uspostavljaju vezu između nekoliko karakteristika elektronske i atomske strukture i Kirijeve temperature. Ovi obrasci daju računaru osnovu za pronalaženje potencijalnih materijala kandidata.
Da bi testirao model, tim je koristio jedinjenja na bazi cerijuma, cirkonijuma i gvožđa. Ovu ideju je predložio Andrii Palasiuk, naučnik u Ames Lab-u i član istraživačkog tima. Želeo je da se fokusira na nepoznate magnetne materijale zasnovane na elementima obilnim zemljom. „Sledeći super magnet ne samo da mora da bude vrhunski u performansama, već i da se oslanja na obilje domaćih komponenti“, rekao je Palasjuk.
Palasjuk je radio sa Tajlerom Del Rouzom, još jednim naučnikom u laboratoriji Ames i članom istraživačkog tima, na sintezi i karakterizaciji legura. Otkrili su da je ML model bio uspešan u predviđanju Kirijeve temperature kandidata za materijal. Ovaj uspeh je važan prvi korak u stvaranju visoko propusnog načina projektovanja novih trajnih magneta za buduće tehnološke primene.
„Pišemo mašinsko učenje zasnovano na fizici za održivu budućnost“, rekao je Sing.
