Ein Team von Wissenschaftlern des Ames National Laboratory hat ein neues maschinelles Lernmodell zur Entdeckung von Permanentmagnetmaterialien ohne kritische Elemente entwickelt. Das Modell sagt die Curie-Temperatur neuer Materialkombinationen voraus. Dies ist ein wichtiger erster Schritt bei der Nutzung künstlicher Intelligenz zur Vorhersage neuer Permanentmagnetmaterialien. Dieses Modell ergänzt die kürzlich vom Team entwickelte Fähigkeit zur Entdeckung thermodynamisch stabiler Seltenerdmaterialien. Die Arbeit ist veröffentlicht in Chemie der Materialien.
Hochleistungsmagnete sind für Technologien wie Windenergie, Datenspeicherung, Elektrofahrzeuge und magnetische Kühlung unerlässlich. Diese Magnete enthalten kritische Materialien wie Kobalt und Seltenerdelemente wie Neodym und Dysprosium. Diese Materialien sind sehr gefragt, aber nur begrenzt verfügbar. Diese Situation motiviert Forscher, Wege zu finden, um neue magnetische Materialien mit weniger kritischen Materialien zu entwickeln.
Maschinelles Lernen (ML) ist eine Form der künstlichen Intelligenz. Es wird von Computeralgorithmen angetrieben, die Daten und Trial-and-Error-Algorithmen verwenden, um ihre Vorhersagen kontinuierlich zu verbessern. Das Team nutzte experimentelle Daten zu Curie-Temperaturen und theoretische Modellierungen, um den ML-Algorithmus zu trainieren. Die Curie-Temperatur ist die maximale Temperatur, bei der ein Material seinen Magnetismus beibehält.
„Die Suche nach Verbindungen mit der hohen Curie-Temperatur ist ein wichtiger erster Schritt bei der Entdeckung von Materialien, die magnetische Eigenschaften bei erhöhten Temperaturen aufrechterhalten können“, sagte Yaroslav Mudryk, Wissenschaftler am Ames Lab und leitender Leiter des Forschungsteams. „Dieser Aspekt ist nicht nur für das Design von Permanentmagneten, sondern auch für andere funktionelle magnetische Materialien von entscheidender Bedeutung.“
Laut Mudryk ist die Entdeckung neuer Materialien eine anspruchsvolle Aufgabe, da die Suche traditionell auf Experimenten basiert, die teuer und zeitaufwändig sind. Der Einsatz einer ML-Methode kann jedoch Zeit und Ressourcen sparen.
Prashant Singh, Wissenschaftler am Ames Lab und Mitglied des Forschungsteams, erklärte, dass ein wesentlicher Teil dieser Bemühungen darin bestand, ein ML-Modell unter Verwendung grundlegender Wissenschaften zu entwickeln. Das Team trainierte sein ML-Modell mit experimentell bekannten magnetischen Materialien. Die Informationen über diese Materialien stellen einen Zusammenhang zwischen mehreren elektronischen und atomaren Strukturmerkmalen und der Curie-Temperatur her. Diese Muster geben dem Computer eine Grundlage für die Suche nach potenziellen Kandidatenmaterialien.
Um das Modell zu testen, verwendete das Team Verbindungen auf Basis von Cer, Zirkonium und Eisen. Diese Idee wurde von Andriy Palasyuk, einem Wissenschaftler am Ames Lab und Mitglied des Forschungsteams, vorgeschlagen. Er wollte sich auf unbekannte Magnetmaterialien konzentrieren, die auf auf der Erde vorkommenden Elementen basieren. „Der nächste Supermagnet muss nicht nur über eine hervorragende Leistung verfügen, sondern auch auf zahlreichen heimischen Komponenten basieren“, sagte Palasyuk.
Palasyuk arbeitete mit Tyler Del Rose, einem weiteren Wissenschaftler am Ames Lab und Mitglied des Forschungsteams, zusammen, um die Legierungen zu synthetisieren und zu charakterisieren. Sie fanden heraus, dass das ML-Modell die Curie-Temperatur von Materialkandidaten erfolgreich vorhersagen konnte. Dieser Erfolg ist ein wichtiger erster Schritt zur Schaffung einer Hochdurchsatzmethode zur Entwicklung neuer Permanentmagnete für zukünftige technologische Anwendungen.
„Wir schreiben physikbasiertes maschinelles Lernen für eine nachhaltige Zukunft“, sagte Singh.
Mehr Informationen:
Prashant Singh et al., Physikinformierte Vorhersage der Curie-Temperaturen durch maschinelles Lernen und ihr Versprechen, die Entdeckung funktionaler magnetischer Materialien zu steuern, Chemie der Materialien (2023). DOI: 10.1021/acs.chemmater.3c00892