Команда ученых из Национальной лаборатории Амес разработала новую модель машинного обучения для поиска постоянных магнитных материалов без критических элементов. Модель предсказывает температуру Кюри для новых материальных сочетаний, что является важным шагом в использовании искусственного интеллекта для предсказания новых материалов постоянных магнитов. Работа опубликована в журнале “Chemistry of Materials”.
Высокопроизводительные магниты играют ключевую роль в таких технологиях, как ветроэнергетика, хранение данных, электрические автомобили и магнитное охлаждение. Они содержат критические материалы, такие как кобальт и редкоземельные элементы, например, неодим и диспрозий. Эти материалы востребованы, но их запасы ограничены, что стимулирует исследователей искать способы создания новых магнитных материалов с уменьшенным содержанием критических материалов.
Для обучения модели машинного обучения команда использовала экспериментальные данные о температурах Кюри. Температура Кюри – это максимальная температура, при которой материал сохраняет свои магнитные свойства. “Нахождение соединений с высокой температурой Кюри является важным первым шагом в открытии материалов, способных поддерживать магнитные свойства при повышенных температурах”, – заявил Ярослав Мудрык, ученый из Лаборатории Амес.
По словам Мудрыка, поиск новых материалов традиционно основан на эксперименте, который дорог и занимает много времени. Однако применение метода машинного обучения может сэкономить время и ресурсы.
Команда обучила свою модель на известных экспериментальных магнитных материалах. Для проверки модели исследователи использовали соединения на основе церия, циркония и железа. Эту идею предложил Андрий Паласюк, также ученый из Лаборатории Амес. Он хотел сконцентрироваться на неизвестных магнитных материалах на основе обширно распространенных элементов. “Следующий супермагнит должен не только превосходно работать, но и основываться на доступных отечественных компонентах”, – подчеркнул Паласюк.
Исследователи обнаружили, что модель машинного обучения успешно предсказывала температуру Кюри кандидатов материалов. Этот успех является важным шагом к созданию быстрого метода проектирования новых постоянных магнитов для будущих технологических применений. “Мы создаем физику на основе машинного обучения для устойчивого будущего”, – сказал Прашант Сингх.
Источник: SecurityLab