Thoại Viết Hoàng
Writer
Một nhóm các nhà khoa học từ Phòng thí nghiệm quốc gia Ames đã phát triển một mô hình học máy mới để khám phá các vật liệu nam châm vĩnh cửu không chứa nguyên tố quan trọng.
Mô hình dự đoán nhiệt độ Curie của sự kết hợp vật liệu mới. Đây là bước quan trọng đầu tiên trong việc sử dụng trí tuệ nhân tạo để dự đoán các vật liệu nam châm vĩnh cửu mới. Mô hình này bổ sung thêm vào khả năng được phát triển gần đây của nhóm nhằm khám phá các vật liệu đất hiếm ổn định về mặt nhiệt động. Công trình được công bố trên tạp chí Hóa học Vật liệu.
Nam châm hiệu suất cao rất cần thiết cho các công nghệ như năng lượng gió, lưu trữ dữ liệu, xe điện và điện lạnh từ tính. Những nam châm này chứa các vật liệu quan trọng như coban và các nguyên tố đất hiếm như neodymium và dysprosium. Những vật liệu này có nhu cầu cao nhưng nguồn cung có hạn. Tình trạng này đang thúc đẩy các nhà nghiên cứu tìm cách thiết kế vật liệu từ tính mới với lượng vật liệu quan trọng giảm thiểu.
Học máy (ML) là một dạng trí tuệ nhân tạo. Nó được điều khiển bởi các thuật toán máy tính sử dụng dữ liệu và thuật toán thử và sai để liên tục cải thiện các dự đoán của nó. Nhóm đã sử dụng dữ liệu thực nghiệm về nhiệt độ Curie và mô hình lý thuyết để huấn luyện thuật toán ML. Nhiệt độ Curie là nhiệt độ tối đa mà tại đó vật liệu duy trì được từ tính.
Yaroslav Mudryk, nhà khoa học tại Phòng thí nghiệm Ames và lãnh đạo cấp cao của nhóm nghiên cứu cho biết: “Tìm ra các hợp chất có nhiệt độ Curie cao là bước quan trọng đầu tiên trong việc phát hiện ra các vật liệu có thể duy trì đặc tính từ tính ở nhiệt độ cao”. “Khía cạnh này rất quan trọng đối với việc thiết kế không chỉ nam châm vĩnh cửu mà cả các vật liệu từ tính chức năng khác”.
Theo Mudryk, việc khám phá các vật liệu mới là một hoạt động đầy thách thức vì việc tìm kiếm theo truyền thống dựa trên thử nghiệm, rất tốn kém và mất thời gian. Tuy nhiên, sử dụng phương pháp ML có thể tiết kiệm thời gian và tài nguyên.
Prashant Singh, một nhà khoa học tại Phòng thí nghiệm Ames và là thành viên của nhóm nghiên cứu, giải thích rằng phần chính của nỗ lực này là phát triển mô hình ML sử dụng khoa học cơ bản. Nhóm đã huấn luyện mô hình ML của họ bằng cách sử dụng các vật liệu từ tính đã được biết đến qua thực nghiệm. Thông tin về những vật liệu này thiết lập mối quan hệ giữa một số đặc điểm cấu trúc điện tử và nguyên tử với nhiệt độ Curie. Những mẫu này cung cấp cho máy tính cơ sở để tìm kiếm các tài liệu ứng cử viên tiềm năng.
Để kiểm tra mô hình, nhóm nghiên cứu đã sử dụng các hợp chất dựa trên xeri, zirconi và sắt. Ý tưởng này được đề xuất bởi Andriy Palasyuk, nhà khoa học tại Phòng thí nghiệm Ames và là thành viên nhóm nghiên cứu. Ông muốn tập trung vào các vật liệu nam châm chưa biết dựa trên các nguyên tố có nhiều trên trái đất. Palasyuk cho biết: “Siêu nam châm tiếp theo không chỉ phải có hiệu suất vượt trội mà còn phải dựa vào nguồn linh kiện dồi dào trong nước”.
Palasyuk đã làm việc với Tyler Del Rose, một nhà khoa học khác tại Phòng thí nghiệm Ames và là thành viên của nhóm nghiên cứu, để tổng hợp và mô tả đặc tính của hợp kim. Họ phát hiện ra rằng mô hình ML đã thành công trong việc dự đoán nhiệt độ Curie của các vật liệu ứng cử viên. Thành công này là bước quan trọng đầu tiên trong việc tạo ra phương pháp thiết kế nam châm vĩnh cửu mới có hiệu suất cao cho các ứng dụng công nghệ trong tương lai.
Singh cho biết: “Chúng tôi đang viết máy học dựa trên vật lý để có một tương lai bền vững”.
Tham khảo bài viết gốc tại đây:
Nam châm hiệu suất cao rất cần thiết cho các công nghệ như năng lượng gió, lưu trữ dữ liệu, xe điện và điện lạnh từ tính. Những nam châm này chứa các vật liệu quan trọng như coban và các nguyên tố đất hiếm như neodymium và dysprosium. Những vật liệu này có nhu cầu cao nhưng nguồn cung có hạn. Tình trạng này đang thúc đẩy các nhà nghiên cứu tìm cách thiết kế vật liệu từ tính mới với lượng vật liệu quan trọng giảm thiểu.
Học máy (ML) là một dạng trí tuệ nhân tạo. Nó được điều khiển bởi các thuật toán máy tính sử dụng dữ liệu và thuật toán thử và sai để liên tục cải thiện các dự đoán của nó. Nhóm đã sử dụng dữ liệu thực nghiệm về nhiệt độ Curie và mô hình lý thuyết để huấn luyện thuật toán ML. Nhiệt độ Curie là nhiệt độ tối đa mà tại đó vật liệu duy trì được từ tính.
Yaroslav Mudryk, nhà khoa học tại Phòng thí nghiệm Ames và lãnh đạo cấp cao của nhóm nghiên cứu cho biết: “Tìm ra các hợp chất có nhiệt độ Curie cao là bước quan trọng đầu tiên trong việc phát hiện ra các vật liệu có thể duy trì đặc tính từ tính ở nhiệt độ cao”. “Khía cạnh này rất quan trọng đối với việc thiết kế không chỉ nam châm vĩnh cửu mà cả các vật liệu từ tính chức năng khác”.
Theo Mudryk, việc khám phá các vật liệu mới là một hoạt động đầy thách thức vì việc tìm kiếm theo truyền thống dựa trên thử nghiệm, rất tốn kém và mất thời gian. Tuy nhiên, sử dụng phương pháp ML có thể tiết kiệm thời gian và tài nguyên.
Prashant Singh, một nhà khoa học tại Phòng thí nghiệm Ames và là thành viên của nhóm nghiên cứu, giải thích rằng phần chính của nỗ lực này là phát triển mô hình ML sử dụng khoa học cơ bản. Nhóm đã huấn luyện mô hình ML của họ bằng cách sử dụng các vật liệu từ tính đã được biết đến qua thực nghiệm. Thông tin về những vật liệu này thiết lập mối quan hệ giữa một số đặc điểm cấu trúc điện tử và nguyên tử với nhiệt độ Curie. Những mẫu này cung cấp cho máy tính cơ sở để tìm kiếm các tài liệu ứng cử viên tiềm năng.
Để kiểm tra mô hình, nhóm nghiên cứu đã sử dụng các hợp chất dựa trên xeri, zirconi và sắt. Ý tưởng này được đề xuất bởi Andriy Palasyuk, nhà khoa học tại Phòng thí nghiệm Ames và là thành viên nhóm nghiên cứu. Ông muốn tập trung vào các vật liệu nam châm chưa biết dựa trên các nguyên tố có nhiều trên trái đất. Palasyuk cho biết: “Siêu nam châm tiếp theo không chỉ phải có hiệu suất vượt trội mà còn phải dựa vào nguồn linh kiện dồi dào trong nước”.
Palasyuk đã làm việc với Tyler Del Rose, một nhà khoa học khác tại Phòng thí nghiệm Ames và là thành viên của nhóm nghiên cứu, để tổng hợp và mô tả đặc tính của hợp kim. Họ phát hiện ra rằng mô hình ML đã thành công trong việc dự đoán nhiệt độ Curie của các vật liệu ứng cử viên. Thành công này là bước quan trọng đầu tiên trong việc tạo ra phương pháp thiết kế nam châm vĩnh cửu mới có hiệu suất cao cho các ứng dụng công nghệ trong tương lai.
Singh cho biết: “Chúng tôi đang viết máy học dựa trên vật lý để có một tương lai bền vững”.
Tham khảo bài viết gốc tại đây:
