.
Uma equipe de cientistas do Laboratório Nacional Ames desenvolveu um novo modelo de aprendizado de máquina para descobrir materiais magnéticos permanentes livres de elementos críticos. O modelo prevê a temperatura Curie de novas combinações de materiais. É um primeiro passo importante no uso da inteligência artificial para prever novos materiais magnéticos permanentes. Este modelo aumenta a capacidade recentemente desenvolvida pela equipe para descobrir materiais de terras raras termodinamicamente estáveis.
Ímãs de alto desempenho são essenciais para tecnologias como energia eólica, armazenamento de dados, veículos elétricos e refrigeração magnética. Esses ímãs contêm materiais críticos, como cobalto e elementos de terras raras, como neodímio e disprósio. Esses materiais são muito procurados, mas têm disponibilidade limitada. Esta situação está motivando os pesquisadores a encontrar maneiras de projetar novos materiais magnéticos com materiais críticos reduzidos.
O aprendizado de máquina (ML) é uma forma de inteligência artificial. É impulsionado por algoritmos de computador que usam dados e algoritmos de tentativa e erro para melhorar continuamente suas previsões. A equipe usou dados experimentais sobre temperaturas Curie e modelagem teórica para treinar o algoritmo de ML. A temperatura Curie é a temperatura máxima na qual um material mantém seu magnetismo.
“Encontrar compostos com alta temperatura Curie é um primeiro passo importante na descoberta de materiais que podem sustentar propriedades magnéticas a temperaturas elevadas”, disse Yaroslav Mudryk, cientista do Laboratório Ames e líder sênior da equipe de pesquisa. “Este aspecto é crítico para o projeto não apenas de ímãs permanentes, mas também de outros materiais magnéticos funcionais.”
Segundo Mudryk, descobrir novos materiais é uma atividade desafiadora porque a busca é tradicionalmente baseada na experimentação, que é cara e demorada. No entanto, usar um método de ML pode economizar tempo e recursos.
Prashant Singh, cientista do Ames Lab e membro da equipe de pesquisa, explicou que grande parte desse esforço foi desenvolver um modelo de ML usando ciência fundamental. A equipe treinou seu modelo de ML usando materiais magnéticos conhecidos experimentalmente. As informações sobre esses materiais estabelecem uma relação entre diversas características da estrutura eletrônica e atômica e a temperatura Curie. Esses padrões fornecem ao computador uma base para encontrar possíveis materiais candidatos.
Para testar o modelo, a equipe utilizou compostos à base de Cério, Zircônio e Ferro. A ideia foi proposta por Andriy Palasyuk, cientista do Ames Lab e membro da equipe de pesquisa. Ele queria se concentrar em materiais magnéticos desconhecidos baseados em elementos abundantes na Terra. “O próximo superímã não deve apenas ter desempenho excelente, mas também contar com componentes domésticos abundantes”, disse Palasyuk.
Palasyuk trabalhou com Tyler Del Rose, outro cientista do Ames Lab e membro da equipe de pesquisa, para sintetizar e caracterizar as ligas. Eles descobriram que o modelo ML foi bem-sucedido na previsão da temperatura Curie de materiais candidatos. Este sucesso é um primeiro passo importante na criação de uma forma de alto rendimento de projetar novos ímãs permanentes para futuras aplicações tecnológicas.
“Estamos escrevendo aprendizado de máquina baseado na física para um futuro sustentável”, disse Singh.
.
