Guillaume Rolland
Une équipe de scientifiques du laboratoire national Ames a développé un nouveau modèle d’apprentissage automatique pour découvrir des matériaux à aimants permanents sans éléments critiques. Le modèle prédit la température de Curie de nouvelles combinaisons de matériaux. Il s’agit d’une première étape importante dans l’utilisation de l’intelligence artificielle pour prédire de nouveaux matériaux à aimants permanents. Ce modèle s’ajoute à la capacité récemment développée par l’équipe de découvrir des matériaux de terres rares thermodynamiquement stables.
Les aimants hautes performances sont essentiels pour des systems telles que l’énergie éolienne, le stockage de données, les véhicules électriques et la réfrigération magnétique. Ces aimants contiennent des matériaux critiques tels que le cobalt et des éléments de terres rares comme le néodyme et le dysprosium. Ces matériaux sont très demandés mais ont une disponibilité limitée. Cette situation motive les chercheurs à trouver des moyens de concevoir de nouveaux matériaux magnétiques avec moins de matériaux critiques.
L’apprentissage automatique (ML) est une forme d’intelligence artificielle. Il est piloté par des algorithmes informatiques qui utilisent des données et des algorithmes d’essais et d’erreurs pour améliorer continuellement ses prédictions. L’équipe a utilisé des données expérimentales sur les températures de Curie et une modélisation théorique pour entraîner l’algorithme ML. La température de Curie est la température maximale à laquelle un matériau preserve son magnétisme.
“La découverte de composés présentant une température de Curie élevée est une première étape importante dans la découverte de matériaux capables de conserver des propriétés magnétiques à des températures élevées”, a déclaré Yaroslav Mudryk, scientifique au Ames Lab et responsable principal de l’équipe de recherche. “Cet part est essentiel pour la conception non seulement d’aimants permanents mais aussi d’autres matériaux magnétiques fonctionnels.”
Selon Mudryk, la découverte de nouveaux matériaux est une activité difficile car or truck la recherche est traditionnellement basée sur l’expérimentation, ce qui coûte cher et prend du temps. Cependant, l’utilisation d’une méthode ML peut permettre d’économiser du temps et des ressources.
Prashant Singh, scientifique à Ames Lab et membre de l’équipe de recherche, a expliqué qu’une grande partie de cet effort and hard work consistait à développer un modèle de ML utilisant la science fondamentale. L’équipe a formé son modèle ML à l’aide de matériaux magnétiques connus expérimentalement. Les informations sur ces matériaux établissent une relation entre plusieurs caractéristiques de la composition électronique et atomique et la température de Curie. Ces modèles donnent à l’ordinateur une foundation pour trouver des matériaux candidats potentiels.
Pour tester le modèle, l’équipe a utilisé des composés à base de cérium, de zirconium et de fer. Cette idée a été proposée par Andriy Palasyuk, scientifique au Ames Lab et membre de l’équipe de recherche. Il souhaitait se concentrer sur des matériaux magnétiques inconnus basés sur des éléments abondants sur terre. “Le prochain super-aimant doit non seulement être superbe en termes de performances, mais également s’appuyer sur de nombreux composants nationaux”, a déclaré Palasyuk.
Palasyuk a travaillé avec Tyler Del Rose, un autre scientifique du Ames Lab et membre de l’équipe de recherche, pour synthétiser et caractériser les alliages. Ils ont constaté que le modèle ML réussissait à prédire la température de Curie des matériaux candidats. Ce succès constitue une première étape importante dans la création d’un moyen à haut débit de concevoir de nouveaux aimants permanents pour de futures apps technologiques.
“Nous écrivons un apprentissage automatique basé sur la physique pour un avenir long lasting”, a déclaré Singh.
