Matériaux magnétiques sans éléments critiques
Une équipe de scientifiques du Laboratoire National d’Ames a dévoilé un modèle d’apprentissage automatique révolutionnaire conçu pour identifier des matériaux d’aimants permanents exempts d’éléments critiques.
Ce modèle novateur est un outil prédictif pour évaluer la température de Curie des nouvelles combinaisons de matériaux, marquant une avancée cruciale dans l’application de l’intelligence artificielle pour prévoir de nouveaux matériaux d’aimants permanents. Ce développement fait suite à la récente réalisation de l’équipe dans la découverte de matériaux de terres rares thermodynamiquement stables.
L’importance de l’aimant haute performance
Les aimants haute performance sont indispensables pour diverses technologies, notamment l’énergie éolienne, le stockage de données, les véhicules électriques et la réfrigération magnétique.
Ces aimants contiennent souvent des matériaux critiques tels que le cobalt, le néodyme et le dysprosium, des ressources rares très demandées. Cette rareté a incité les chercheurs à rechercher des moyens innovants de concevoir des matériaux magnétiques qui réduisent la dépendance aux éléments critiques.
Exploiter le Potentiel de l’Intelligence Artificielle
L’apprentissage automatique (ML), une facette de l’intelligence artificielle, repose sur des données et des algorithmes itératifs pour améliorer en permanence les capacités de prédiction.
L’équipe de recherche a exploité des données expérimentales sur les températures de Curie et la modélisation théorique pour former leur algorithme de ML. La température de Curie représente la température maximale à laquelle un matériau conserve ses propriétés magnétiques.
Le rôle du ML dans la découverte de matériaux
Yaroslav Mudryk, un scientifique de l’Ames Lab et le chef de l’équipe de recherche, a souligné l’importance de l’identification de composés ayant des températures de Curie élevées.
Ces matériaux peuvent maintenir des propriétés magnétiques à des températures élevées, ce qui les rend cruciaux pour la conception d’aimants permanents et d’autres matériaux magnétiques fonctionnels.
Traditionnellement, la recherche de tels matériaux reposait sur des expérimentations coûteuses et chronophages. Cependant, le ML offre une alternative plus efficace et économique en termes de ressources.
Construire le Modèle d’Apprentissage Automatique sur des Fondements Scientifiques
Prashant Singh, un scientifique de l’Ames Lab et membre de l’équipe de recherche, a souligné l’accent du projet sur le développement d’un modèle d’apprentissage automatique enraciné dans des principes scientifiques fondamentaux.
Le modèle a été entraîné à l’aide de matériaux magnétiques connus, établissant des liens entre divers attributs de la structure électronique et atomique et la température de Curie. Ces schémas fournissent au modèle d’apprentissage automatique une base pour identifier des matériaux candidats potentiels.
Mettre le Modèle à l’Épreuve
Pour valider leur modèle, l’équipe a réalisé des expériences avec des composés à base de cérium, de zirconium et de fer, une idée proposée par Andriy Palasyuk, un autre scientifique de l’équipe. Leur objectif était d’explorer des matériaux magnétiques inconnus dérivés d’éléments facilement disponibles.
Le succès du modèle d’apprentissage automatique dans la prédiction de la température de Curie de ces candidats aux matériaux représente une avancée significative vers la création d’une méthode à haut débit pour la conception de futurs aimants permanents.
Pour reprendre les mots de Prashant Singh, “Nous écrivons un apprentissage automatique informé par la physique pour un avenir durable.” Cette approche innovante pourrait révolutionner la manière dont nous découvrons et développons des matériaux pour des applications technologiques durables et avancées.
Lisez l’article original sur Science Daily.
En savoir plus : Nouvelles questions du cours de Mathématiques
