Maschinelles Lernen schafft neue Technologien

Blog

HeimHeim / Blog / Maschinelles Lernen schafft neue Technologien

Apr 27, 2023

Maschinelles Lernen schafft neue Technologien

Maschinelles Lernen zum Erlernen neuer Technologien Diese Woche war ich beim IEEE 2023

Maschinelles Lernen zum Erlernen neuer Technologien

Diese Woche war ich auf der IEEE Intermag Conference 2023 in Sendai, Japan. Dies ist eine Konferenz der IEEE Magnetics Society (meiner ersten IEEE Society, Mitglied seit 45 Jahren). Ich wurde eingeladen, als gewählter Präsident des IEEE teilzunehmen. Es gab insgesamt über 1.700 physische und virtuelle Teilnehmer, wobei fast 1.500 Personen persönlich an der Konferenz teilnahmen. Ich glaube, dass dies die größte Magnetkonferenz seit Beginn der Covid-Pandemie im Jahr 2020 ist.

Ich nahm an einer Sitzung teil, in der Vorträge über Anwendungen künstlicher Intelligenz für die Forschung magnetischer Materialien gehalten wurden. Dies ist ein Beispiel für Diskussionen in der Wissenschafts- und Ingenieursgemeinschaft darüber, wie Menschen neue KI-Tools effektiv nutzen können, um unser Verständnis der physischen Welt und ihrer Anwendungen in der realen Welt zu beschleunigen und zu unterstützen. Dazu gehören die Herstellung besserer magnetischer Speichergeräte, effizienterer Motoren und viele andere praktische Aktivitäten.

An dieser Sitzung nahm Mingda Li vom MIT teil, der sagte, dass „Datenanpassung eine von vielen anderen Anwendungen ist, die vom maschinellen Lernen profitieren können. Die andere liegt im Fokus auf der Erforschung verborgener Daten oder dem Aufbau von Struktur-Eigenschafts-Beziehungen.“ Für diese letztgenannte Anwendung nutzten die Beiträge dieser Sitzung große Materialdatenbanken. Mingda erwähnt in diesem Artikel eine Datenbank mit 146.000 Materialien.

Y. Iwasaki vom National Institute for Materials Science, Tsukuba, Ibaraki, Japan, nutzte ein autonomes Materialsuchsystem, das maschinelles Lernen und Ab-initio-Berechnungen kombinierte, um multielementare Zusammensetzungen zu finden, die Legierungsmagnetisierungen höher als Fe3Co (das Material an der Spitze von) finden konnten die Slater-Pauling-Kurve). Das Bild unten zeigt die Ergebnisse dieser Materialsuche über einen Zeitraum von 9 Wochen, bei der nach und nach Wege gefunden wurden, die intrinsische Magnetisierung der modellierten Legierung zu erhöhen.

Mehrwöchige Simulation zur Erhöhung der Materialmagnetisierung

Diese Forschung zeigte, dass die Zugabe von etwas Ir und etwas Pt die Magnetisierung einer Eisen-Kobalt-Legierung erhöhen könnte. Als einige physikalische Eisen-Kobalt-Iridium- und Eisen-Kobalt-Platin-Legierungen hergestellt und gemessen wurden, stellte sich heraus, dass etwa 4 % Ir tatsächlich die Magnetisierung der FeCo-Legierung erhöhten. Ebenso erhöhte etwas Pt in einer FeCo-Legierung die Magnetisierung. Obwohl bereits Legierungszusammensetzungen mit einer höheren Magnetisierung als Fe3Co gefunden wurden, zeigte diese Untersuchung ein Beispiel dafür, wie KI als Werkzeug für neue Materialentdeckungen eingesetzt werden könnte.

Claudia Felser und Kollegen vom Max-Planck-Institut für Chemische Physik fester Stoffe sowie aus Spanien, den USA und China sprachen über den Einsatz von KI-Methoden zur Entwicklung neuer Materialien für sogenannte topologische magnetische Materialien. Diese nutzen chirale Elektronenzustände auf der Masse, Oberflächen und Kanten fester Objekte aus. In der Physik ist ein chirales Phänomen ein Phänomen, das nicht mit seinem Spiegelbild identisch ist. Elektronenspins verleihen einem Elektron Chiralität. Sie zeigte, wie Materialien mit einem sehr hohen anomalen Hall-Effekt und einem großen anomalen Nearst-Effekt identifiziert wurden. Ein interessantes Element dieser Arbeit betrifft die Wechselwirkung der Gravitation bei Wechselwirkungen leichter Materie mit magnetischen topologischen Materialien. Vielleicht könnten diese Phänomene neue Wege zur Erkennung und zum Verständnis der Gravitation eröffnen?

Masafumi Shirai und Mitarbeiter von der Tohoku-Universität nutzten eine große Datenbank magnetischer Eigenschaften für sogenannte Heusler-Legierungen, die mit einer MgO-Tunnelschicht für magnetische Tunnelkontakte (MTJs) interagieren. Mithilfe von maschinellem Lernen und dieser Datenbank konnten sie die Curie-Temperatur von vier Komponentenlegierungen (die Temperatur, bei der die Magnetisierung auf Null geht) und die sogenannte Austauschsteifigkeit vorhersagen (die Austauschsteifigkeit stellt die Stärke der sogenannten Austauschwechselwirkungen zwischen ihnen dar). benachbarte magnetische Spins) an der Grenzfläche zum MgO. Beachten Sie, dass MTJs als Lesesensoren in Festplattenlaufwerken und Magnetbandköpfen sowie in häufig verwendeten Magnetsensoren verwendet werden.

Der letzte Vortrag dieser Sitzung, den Alexander Kovacs mit Co-Autoren aus Österreich und Japan hielt, befasste sich mit der Verwendung von maschinellem Lernen in Kombination mit der Finite-Elemente-Analyse von Kristallkörnern aus permanentmagnetischem Material, um effizientere Motoren zu schaffen und weniger seltene Erden zu verbrauchen, beispielsweise für Windmühlen .Sie optimierten die chemische Zusammensetzung und Mikrostruktur des Magneten mithilfe von Modellen des maschinellen Lernens, die durch die Assimilation von Daten aus Experimenten und Simulationen entwickelt wurden. Sie zeigen, wie mit den Methoden des maschinellen Lernens leistungsstarke, Nd-magere Magnete hergestellt werden können.

Maschinelles Lernen findet zunehmend Anwendung bei der Entwicklung neuer Materialien, einschließlich magnetischer Materialien für die digitale Speicherung. Es gibt verschiedene Ansätze, aber mithilfe von Datenbanken bekannter Materialien können diese Modelle die Eigenschaften neuer Materialien vorhersagen und Kombinationen viel schneller herstellen und virtuell bewerten, als es ein Mensch könnte. Obwohl diese Ansätze nicht unfehlbar sind, können sie wissenschaftliche und technische Entdeckungen beschleunigen.