نیوزویز – تیمی از دانشمندان در آزمایشگاه ملی ایمز یک آزمایش جدید ایجاد کرده اند فراگیری ماشین یک مدل تشخیص مواد مغناطیس دائمی بدون عناصر حیاتی این مدل دمای کوری ترکیب های جدید مواد را پیش بینی می کند. این اولین قدم مهم در استفاده است هوش مصنوعی برای پیش بینی مواد آهنربای دائمی جدید این مدل تیم را کامل می کند اخیرا توسعه یافته است توانایی تشخیص مواد خاکی کمیاب با ثبات ترمودینامیکی
آهنرباهای با کارایی بالا برای فناوری هایی مانند نیروی باد، ذخیره سازی داده ها، وسایل نقلیه الکتریکی و تبرید مغناطیسی ضروری هستند. این آهن رباها حاوی مواد حیاتی مانند کبالت و عناصر خاکی کمیاب مانند نئودیمیم و دیسپروزیم هستند. این مواد تقاضای زیادی دارند اما محدود هستند. این وضعیت محققان را برانگیخت تا راه هایی برای طراحی مواد مغناطیسی جدید با مواد بحرانی کاهش یافته بیابند.
فراگیری ماشین (ML) شکلی از هوش مصنوعی. توسط الگوریتم های کامپیوتری هدایت می شود که از داده ها و الگوریتم های آزمون و خطا برای بهبود مستمر پیش بینی های خود استفاده می کنند. این تیم از داده های تجربی در مورد دمای کوری و مدل سازی نظری برای آموزش الگوریتم ML استفاده کرد. دمای کوری حداکثر دمایی است که در آن ماده خاصیت مغناطیسی خود را حفظ می کند.
یاروسلاو مودریک، دانشمند آزمایشگاه ایمز و از رهبران ارشد تیم تحقیقاتی، می گوید: «یافتن ترکیباتی با دمای کوری بالا اولین گام مهم در کشف موادی است که می توانند خواص مغناطیسی را در دماهای بالا حفظ کنند. این جنبه نه تنها برای طراحی آهنرباهای دائمی، بلکه برای سایر مواد مغناطیسی کاربردی نیز حیاتی است.
به گفته مودریک، کشف مواد جدید یک فعالیت چالش برانگیز است زیرا جستجو به طور سنتی مبتنی بر آزمایش بوده است که گران و زمان بر است. با این حال، استفاده از روش ML می تواند در زمان و منابع صرفه جویی کند.
پراشانت سینگ، دانشمند آزمایشگاه ایمز و عضو تیم تحقیقاتی، توضیح داد که بخش عمده ای از این تلاش، توسعه یک مدل ML با استفاده از علوم پایه است. این تیم مدل ML خود را با استفاده از مواد مغناطیسی شناخته شده تجربی آموزش دادند. اطلاعات مربوط به این مواد رابطه ای بین چندین ویژگی ساختاری الکترونیکی و اتمی و دمای کوری برقرار می کند. این الگوها به کامپیوتر مبنایی برای یافتن مواد کاندید بالقوه می دهد.
برای آزمایش این مدل، تیم از ترکیبات مبتنی بر سریم، زیرکونیوم و آهن استفاده کردند. این ایده توسط Andriy Palasyuk، دانشمند آزمایشگاه ایمز و عضو تیم تحقیقاتی ارائه شده است. او می خواست بر روی مواد مغناطیسی ناشناخته بر اساس عناصر فراوان زمین تمرکز کند. پالاسیوك گفت: «ابر مغناطیس بعدی نه تنها باید از كارایی برتر برخوردار باشد، بلكه باید به انبوهی از اجزای داخلی نیز متكی باشد.
Palasiuk با تایلر دل رز، یکی دیگر از دانشمندان آزمایشگاه ایمز و عضو تیم تحقیقاتی، برای سنتز و مشخص کردن آلیاژها کار کرد. آنها دریافتند که مدل ML در پیش بینی دمای کوری مواد کاندید موفق بود. این موفقیت اولین قدم مهم در ایجاد روشی با توان عملیاتی بالا برای طراحی آهنرباهای دائمی جدید برای کاربردهای فناوری آینده است.
ما با علم فیزیک می نویسیم فراگیری ماشین سینگ گفت: برای آینده ای پایدار.
این تحقیق بیشتر در «پیش‌بینی یادگیری ماشینی مبتنی بر فیزیک دمای کوری و وعده آن برای هدایت کشف مواد مغناطیسی کاربردینوشته شده توسط پراشانت سینگ، تایلر دل رز، آندری پالاسیوک و یاروسلاو مودریک و منتشر شده در شیمی مواد.
آزمایشگاه ملی ایمز است وزارت انرژی آمریکا دفتر علوم یک آزمایشگاه ملی که توسط دانشگاه ایالتی آیووا اداره می شود. آزمایشگاه ایمز مواد، فناوری ها و راه حل های انرژی نوآورانه ایجاد می کند. ما از تخصص، توانایی های منحصر به فرد و همکاری بین رشته ای خود برای حل مشکلات جهانی استفاده می کنیم.
آزمایشگاه ایمز توسط دفتر علوم وزارت انرژی ایالات متحده پشتیبانی می شود. دفتر علوم بزرگترین حامی تحقیقات پایه در علوم فیزیکی در ایالات متحده است و برای رسیدگی به برخی از مهم ترین چالش های زمان ما کار می کند. برای اطلاعات بیشتر لطفا مراجعه کنید به https://energy.gov/science.
