研究人员利用人工智能寻找不含关键元素的新型磁性材料

艾姆斯国家实验室的一组科学家开发了一种新的机器学习模型，用于发现无关键元素的永磁材料。该模型预测新材料组合的居里温度。这是利用人工智能预测新型永磁材料的重要第一步。该模型增强了该团队最近开发的发现热力学稳定稀土材料的能力。

高性能磁铁对于风能、数据存储、电动汽车和磁制冷等技术至关重要。这些磁铁含有钴等关键材料以及钕和镝等稀土元素。这些材料需求量很大，但供应有限。这种情况促使研究人员寻找方法来设计减少关键材料的新型磁性材料。

机器学习 (ML) 是人工智能的一种形式。它由计算机算法驱动，使用数据和试错算法来不断改进其预测。该团队使用居里温度的实验数据和理论模型来训练机器学习算法。居里温度是材料保持磁性的最高温度。

艾姆斯实验室科学家、研究团队高级负责人雅罗斯拉夫·穆德里克 (Yaroslav Mudryk) 表示：“寻找具有高居里温度的化合物是发现能够在高温下维持磁性的材料的重要第一步。” “这方面不仅对于永磁体而且对于其他功能磁性材料的设计都至关重要。”

Mudryk 表示，发现新材料是一项具有挑战性的活动，因为搜索传统上是基于实验，而实验既昂贵又耗时。然而，使用机器学习方法可以节省时间和资源。

艾姆斯实验室科学家、研究团队成员 Prashant Singh 解释说，这项工作的主要部分是利用基础科学开发机器学习模型。该团队使用实验已知的磁性材料训练他们的机器学习模型。有关这些材料的信息建立了几种电子和原子结构特征与居里温度之间的关系。这些模式为计算机提供了寻找潜在候选材料的基础。

为了测试该模型，该团队使用了基于铈、锆和铁的化合物。这个想法是由艾姆斯实验室科学家、研究团队成员Andriy Palasyuk提出的。他想专注于基于地球丰富元素的未知磁性材料。“下一个超级磁体不仅要性能精湛，还要依赖丰富的国产零部件。”帕拉修克说。

帕拉修克与艾姆斯实验室的另一位科学家、研究小组成员泰勒·德尔·罗斯 (Tyler Del Rose) 合作，合成并表征了这些合金。他们发现机器学习模型成功地预测了候选材料的居里温度。这一成功是为未来技术应用创造高通量设计新型永磁体的方法的重要第一步。

“我们正在为可持续的未来编写基于物理的机器学习，”辛格说。