Các nhà khoa học sử dụng trí tuệ nhân tạo để tìm ra vật liệu từ tính mới không sử dụng các nguyên tố quan trọng. Một nhóm nghiên cứu tại Phòng thí nghiệm quốc gia Ames của Bộ Năng lượng Hoa Kỳ đã phát triển một mô hình học máy mới để khám phá các vật liệu nam châm vĩnh cửu không chứa các nguyên tố quan trọng. Mô hình dự đoán nhiệt độ Curie của sự kết hợp vật liệu mới. Đây là bước quan trọng đầu tiên trong việc sử dụng trí tuệ nhân tạo để dự đoán các vật liệu nam châm vĩnh cửu mới. Mô hình này bổ sung cho khả năng được phát triển gần đây của nhóm nhằm khám phá các vật liệu đất hiếm ổn định về mặt nhiệt động.
Các nhà khoa học tại Phòng thí nghiệm quốc gia Ames đã thiết kế một mô hình học máy có thể dự đoán các vật liệu nam châm mới mà không cần sử dụng các nguyên tố khan hiếm. Cách tiếp cận sáng tạo này tập trung vào nhiệt độ Curie của vật liệu mang lại con đường bền vững hơn cho các ứng dụng công nghệ trong tương lai.
Tầm quan trọng của nam châm hiệu suất cao
Nam châm hiệu suất cao rất quan trọng đối với các công nghệ như năng lượng gió, lưu trữ dữ liệu, xe điện và điện lạnh từ tính. Những nam châm này chứa các vật liệu chính như coban và các nguyên tố đất hiếm như neodymium và dysprosium. Những vật liệu này có nhu cầu cao nhưng nguồn cung lại hạn chế. Tình trạng này đã thúc đẩy các nhà nghiên cứu tìm cách thiết kế vật liệu từ tính mới giúp giảm thiểu các vật liệu quan trọng.
Vai trò của học máy
Học máy (ML) là một dạng trí tuệ nhân tạo. Nó được điều khiển bởi các thuật toán máy tính, sử dụng dữ liệu và thuật toán thử và sai để liên tục cải thiện các dự đoán. Nhóm nghiên cứu đã sử dụng dữ liệu thực nghiệm và mô hình lý thuyết về nhiệt độ Curie để huấn luyện thuật toán ML. Nhiệt độ Curie là nhiệt độ cao nhất mà tại đó vật liệu vẫn có từ tính.
Yaroslav Mudryk, nhà khoa học tại Phòng thí nghiệm Ames và lãnh đạo cấp cao của nhóm nghiên cứu cho biết: “Tìm ra các hợp chất có nhiệt độ Curie cao là bước quan trọng đầu tiên trong việc khám phá các vật liệu có thể duy trì từ tính ở nhiệt độ cao”. “Khía cạnh này rất quan trọng không chỉ đối với việc thiết kế nam châm vĩnh cửu mà còn đối với việc thiết kế các vật liệu từ tính chức năng khác”.
Mudrick tin rằng việc khám phá các vật liệu mới là một hoạt động đầy thách thức vì việc tìm kiếm các vật liệu mới theo truyền thống được thực hiện thông qua các thí nghiệm, việc này rất tốn kém và mất thời gian. Tuy nhiên, sử dụng phương pháp ML có thể tiết kiệm thời gian và tài nguyên.
Kiểm tra và xác nhận mô hình
Để xác thực mô hình, nhóm nghiên cứu đã sử dụng các hợp chất dựa trên xeri, zirconi và sắt. Ý tưởng này được đề xuất bởi Andriy Palasyuk, nhà khoa học tại Phòng thí nghiệm Ames và là thành viên nhóm nghiên cứu. Ông hy vọng sẽ tập trung vào các vật liệu nam châm chưa biết dựa trên các nguyên tố có nhiều trên Trái đất. Palaschuk cho biết: “Siêu nam châm tiếp theo không chỉ phải có hiệu suất vượt trội mà còn phải dựa vào nguồn linh kiện dồi dào trong nước.
Palaschuk hợp tác với thành viên nhóm nghiên cứu Tyler Del Rose, một nhà khoa học khác của Phòng thí nghiệm Ames, để tổng hợp và mô tả đặc tính của hợp kim. Họ phát hiện ra rằng mô hình ML đã dự đoán thành công nhiệt độ Curie của các vật liệu ứng cử viên. Thành công này là bước quan trọng đầu tiên trong phương pháp tiếp cận hiệu suất cao nhằm thiết kế nam châm vĩnh cửu mới cho các ứng dụng công nghệ trong tương lai.
Singer cho biết: “Chúng tôi đang viết về máy học dựa trên vật lý để có một tương lai bền vững”.
