Para saintis menggunakan kecerdasan buatan untuk mencari bahan magnet baharu yang tidak menggunakan unsur kritikal. Pasukan penyelidik di Makmal Kebangsaan Ames Jabatan Tenaga AS telah membangunkan model pembelajaran mesin baharu untuk menemui bahan magnet kekal yang tidak mengandungi unsur kritikal. Model meramalkan suhu Curie bagi gabungan bahan baharu. Ini merupakan langkah pertama yang penting dalam menggunakan kecerdasan buatan untuk meramalkan bahan magnet kekal baharu. Model ini melengkapkan keupayaan pasukan yang dibangunkan baru-baru ini untuk menemui bahan nadir bumi yang stabil secara termodinamik.
Para saintis di Ames National Laboratory telah mereka bentuk model pembelajaran mesin yang boleh meramalkan bahan magnet baharu tanpa menggunakan unsur yang terhad. Pendekatan inovatif yang memfokuskan pada suhu bahan Curie menawarkan laluan yang lebih mampan kepada aplikasi teknologi masa hadapan.
Kepentingan Magnet Berprestasi Tinggi
Magnet berprestasi tinggi adalah penting untuk teknologi seperti tenaga angin, penyimpanan data, kenderaan elektrik dan penyejukan magnet. Magnet ini mengandungi bahan utama seperti kobalt dan unsur nadir bumi seperti neodymium dan dysprosium. Bahan-bahan ini mendapat permintaan tinggi, tetapi bekalan adalah terhad. Keadaan ini telah mendorong penyelidik untuk mencari cara untuk mereka bentuk bahan magnet baru yang mengurangkan bahan kritikal.
Peranan pembelajaran mesin
Pembelajaran mesin (ML) ialah satu bentuk kecerdasan buatan. Ia didorong oleh algoritma komputer, menggunakan data dan algoritma percubaan-dan-ralat untuk meningkatkan ramalan secara berterusan. Pasukan penyelidik menggunakan data eksperimen dan pemodelan teori suhu Curie untuk melatih algoritma ML. Suhu Curie ialah suhu tertinggi di mana bahan kekal magnet.
"Mencari sebatian dengan suhu Curie yang tinggi adalah langkah pertama yang penting dalam menemui bahan yang boleh kekal magnet pada suhu tinggi, " kata Yaroslav Mudryk, seorang saintis Makmal Ames dan ketua kanan pasukan penyelidikan. "Aspek ini penting bukan sahaja untuk reka bentuk magnet kekal, tetapi juga untuk reka bentuk bahan magnet berfungsi yang lain."
Mudrick percaya bahawa menemui bahan baharu adalah satu aktiviti yang mencabar kerana pencarian bahan baharu secara tradisinya dilakukan melalui eksperimen, yang mahal dan memakan masa. Walau bagaimanapun, menggunakan kaedah ML boleh menjimatkan masa dan sumber.
Ujian dan pengesahan model
Untuk mengesahkan model, pasukan menggunakan sebatian berasaskan serium, zirkonium dan besi. Idea ini dicadangkan oleh Andriy Palasyuk, seorang saintis di Makmal Ames dan ahli pasukan penyelidik. Dia berharap untuk memberi tumpuan kepada bahan magnet yang tidak diketahui berdasarkan unsur-unsur yang banyak di Bumi. Palaschuk berkata: "Magnet super seterusnya bukan sahaja mesti mempunyai prestasi cemerlang, tetapi juga bergantung pada komponen domestik yang banyak.
Palaschuk bekerjasama dengan ahli pasukan penyelidik Tyler Del Rose, seorang lagi saintis Makmal Ames, untuk mensintesis dan mencirikan aloi. Mereka mendapati bahawa model ML berjaya meramalkan suhu Curie bahan calon. Kejayaan ini merupakan langkah pertama yang penting dalam pendekatan berkemampuan tinggi untuk mereka bentuk magnet kekal baharu untuk aplikasi teknologi masa hadapan.
"Kami sedang menulis pembelajaran mesin bermaklumat fizik untuk masa depan yang mampan," kata Singer.
