_ A da sens coercitivității în materiale magnetice cu învățare automată

Materialele magnetice moi, adică materialele care pot fi ușor magnetizate și demagnetizate, joacă un rol esențial în transformatoare, generatoare și motoare. Capacitatea unui material magnetic de a rezista unui câmp magnetic extern fără a-și schimba magnetizarea este cunoscută sub denumirea de „coercivitate”, o proprietate strâns legată de pierderea de energie. În aplicații precum mașinile electrice, materialele cu coercivitate scăzută sunt foarte de dorit pentru a obține o eficiență energetică mai mare.

Cu toate acestea, coercitatea și alte fenomene magnetice asociate cu pierderile de energie din materialele magnetice moi provin din interacțiuni foarte complexe. Analizele obișnuite la scară macro suferă de simplificarea excesivă a structurii materialului și adesea au nevoie de parametri suplimentari pentru a ajusta teoria la experiment. Până acum, deși instrumentele și cadrele de analiză a coercitivității sunt disponibile pe scară largă, ele nu iau în considerare în mod direct defectele și limitele materialului, ceea ce este fundamental pentru dezvoltarea de noi aplicații.

În acest context, o cercetare. Echipa, inclusiv prof. Masato Kotsugi de la Universitatea de Știință din Tokyo (TUS), Japonia, a dezvoltat recent o nouă abordare pentru a conecta caracteristicile la scară microscopică la o proprietate fizică macroscopică, coercivitate, folosind o combinație de știință a datelor, învățare automată și o extensie a Modelul GL. Acest studiu, condus de dr. Alexandre Lira Foggiatto de la TUS, a fost publicat în Communications Physics.

Echipa și-a propus să găsească o modalitate de a automatiza analiza coercitivității materialelor magnetice, luând în considerare caracteristicile microstructurale ale acestora. În acest scop, ei au adunat mai întâi date atât pentru materialele magnetice simulate, cât și pentru cele reale, sub formă de imagini microscopice ale domeniilor lor magnetice.

Imaginile, după preprocesare, au fost folosite ca intrare pentru o tehnică de învățare automată numită principal. analiza componentelor (PCA), care este folosită în mod obișnuit pentru a analiza seturi mari de date. Prin PCA, echipa a condensat cele mai relevante informații (funcții) din aceste imagini preprocesate într-un „spațiu de caracteristici” bidimensional.

Această abordare, combinată cu alte tehnici de învățare automată, cum ar fi rețelele neuronale artificiale, a permis cercetătorilor să vizualizeze un peisaj energetic realist al inversării magnetizării în materialul din spațiul caracteristic. O comparare atentă a rezultatelor pentru imagini experimentale și simulate a demonstrat că metodologia propusă este o strategie convenabilă pentru cartografierea celor mai importante caracteristici ale materialului într-un mod semnificativ.

„Descrierea peisajului energetic folosind învățarea automată a arătat rezultate bune atât pentru datele experimentale, cât și pentru datele simulate. Ambele au împărtășit forme similare, precum și variabile explicative similare și corelații între ele", remarcă dr. Foggiatto.

În general, acest studiu arată modul în care informatica materialelor poate fi folosită în mod inteligent pentru a nu numai că automatizează, ci și clarifică originea fizică a coercitivității în materialele magnetice moi. Cu ceva noroc, îi va ajuta pe oamenii de știință și fizicienii din materiale să obțină noi legi și modele fizice pentru a depăși modelele și cadrele de ultimă generație.

Mai mult, aplicațiile acestei strategii depășesc cu mult coercitivitatea , după cum subliniază dr. Foggiatto, „Metoda noastră poate fi extinsă la alte sisteme pentru analiza proprietăților precum temperatura și deformarea/tensiunea, precum și dinamica proceselor de inversare a magnetizării de mare viteză.”

Interesant, acesta este al doilea studiu pe care Prof. Masato Kotsugi și colegii săi l-au publicat în legătură cu modelul extins de energie liberă Landau pe care îl dezvoltă. Ei speră că, în viitorul apropiat, modelele lor de analiză funcțională vor ajuta la obținerea unei eficiențe ridicate în motoarele de mașini electrice, deschizând calea către un transport mai durabil.

(Fluierul)