Os cientistas usam inteligência artificial para encontrar novos materiais magnéticos que não utilizam elementos críticos. Uma equipe de pesquisa do Laboratório Nacional Ames do Departamento de Energia dos EUA desenvolveu um novo modelo de aprendizado de máquina para descobrir materiais magnéticos permanentes que não contêm elementos críticos. O modelo prevê a temperatura Curie de novas combinações de materiais. Este é um primeiro passo importante no uso da inteligência artificial para prever novos materiais magnéticos permanentes. O modelo complementa a capacidade recentemente desenvolvida pela equipe para descobrir materiais de terras raras termodinamicamente estáveis.
Cientistas do Laboratório Nacional Ames projetaram um modelo de aprendizado de máquina que pode prever novos materiais magnéticos sem usar elementos escassos. Esta abordagem inovadora focada na temperatura Curie dos materiais oferece um caminho mais sustentável para futuras aplicações tecnológicas.
A importância dos ímãs de alto desempenho
Ímãs de alto desempenho são essenciais para tecnologias como energia eólica, armazenamento de dados, veículos elétricos e refrigeração magnética. Esses ímãs contêm materiais essenciais, como cobalto e elementos de terras raras, como neodímio e disprósio. Esses materiais estão em alta demanda, mas a oferta é limitada. Esta situação levou os pesquisadores a procurar maneiras de projetar novos materiais magnéticos que reduzissem os materiais críticos.
O papel do aprendizado de máquina
O aprendizado de máquina (ML) é uma forma de inteligência artificial. É impulsionado por algoritmos de computador, usando dados e algoritmos de tentativa e erro para melhorar continuamente as previsões. A equipe de pesquisa utilizou dados experimentais e modelagem teórica das temperaturas Curie para treinar o algoritmo de ML. A temperatura Curie é a temperatura mais alta na qual um material permanece magnético.
“Encontrar compostos com altas temperaturas Curie é um primeiro passo importante na descoberta de materiais que podem permanecer magnéticos a altas temperaturas”, disse Yaroslav Mudryk, cientista do Laboratório Ames e líder sênior da equipe de pesquisa. "Este aspecto é crucial não apenas para o projeto de ímãs permanentes, mas também para o projeto de outros materiais magnéticos funcionais."
Mudrick acredita que descobrir novos materiais é uma atividade desafiadora porque a busca por novos materiais tem sido tradicionalmente feita por meio de experimentos, o que é caro e demorado. No entanto, o uso de métodos de ML pode economizar tempo e recursos.
Teste e validação de modelo
Para validar o modelo, a equipe utilizou compostos à base de cério, zircônio e ferro. A ideia foi proposta por Andriy Palasyuk, cientista do Laboratório Ames e membro da equipe de pesquisa. Ele espera se concentrar em materiais magnéticos desconhecidos baseados em elementos abundantes na Terra. Palaschuk disse: “O próximo superímã não deve apenas ter excelente desempenho, mas também contar com componentes domésticos abundantes.
Palaschuk colaborou com o membro da equipe de pesquisa Tyler Del Rose, outro cientista do Laboratório Ames, para sintetizar e caracterizar a liga. Eles descobriram que o modelo ML previu com sucesso a temperatura Curie dos materiais candidatos. Este sucesso é um primeiro passo importante em uma abordagem de alto rendimento para projetar novos ímãs permanentes para futuras aplicações tecnológicas.
“Estamos escrevendo aprendizado de máquina baseado na física para um futuro sustentável”, disse Singer.
