科學家利用人工智能尋找不使用關鍵元素的新型磁性材料。美國能源部艾姆斯國家實驗室的一個研究小組開發了一種新的機器學習模型，用於發現不含臨界元素的永磁材料。該模型可預測新材料組合的居里溫度。這是利用人工智能預測新型永磁材料的重要第一步。該模型為團隊最近開發的發現熱力學穩定稀土材料的能力錦上添花。

艾姆斯國家實驗室（Ames National Laboratory）的科學家們設計出一種機器學習模型，可以在不使用稀缺元素的情況下預測新型磁體材料。這種以材料居里溫度為重點的創新方法為未來的技術應用提供了一條更具可持續性的道路。

高性能磁體的重要性

高性能磁體對於風能、數據存儲、電動汽車和磁製冷等技術至關重要。這些磁體包含鈷和稀土元素（如釹和鏑）等關鍵材料。這些材料需求量大，但供應有限。這種情況促使研究人員想方設法設計出減少關鍵材料的新型磁性材料。

磁鐵照片資料來源：美國能源部埃姆斯國家實驗室

機器學習的作用

機器學習（ML）是人工智能的一種形式。它由計算機算法驅動，利用數據和試錯算法不斷改進預測結果。研究小組利用居里溫度的實驗數據和理論建模來訓練ML 算法。居里溫度是材料保持磁性的最高溫度。

“找到居里溫度高的化合物是發現能在高溫下保持磁性的材料的重要第一步，”艾姆斯實驗室科學家、研究團隊高級負責人雅羅斯拉夫-穆德里克（Yaroslav Mudryk）說。”這方面不僅對永磁體的設計至關重要，而且對其他功能磁性材料的設計也至關重要。”

穆德里克認為，發現新材料是一項具有挑戰性的活動，因為傳統上是通過實驗來尋找新材料，這既昂貴又耗時。然而，使用ML 方法可以節省時間和資源。

艾姆斯實驗室科學家、研究小組成員普拉桑特-辛格（Prashant Singh）解釋說，這項工作的主要部分是利用基礎科學開發一個ML 模型。研究小組利用實驗已知的磁性材料訓練他們的ML 模型。這些材料的相關信息確定了若干電子和原子結構特徵與居里溫度之間的關係。這些模式為計算機尋找潛在候選材料提供了基礎。

模型測試和驗證

為了驗證模型，研究小組使用了基於鈰、鋯和鐵的化合物。這個想法是由艾姆斯實驗室的科學家、研究小組成員安德烈-帕拉修克（Andriy Palasyuk）提出的。他希望重點研究基於地球豐富元素的未知磁體材料。帕拉修克說：”下一個超級磁鐵不僅要性能卓越，還要依賴豐富的國產元件。”

帕拉修克與艾姆斯實驗室的另一位科學家、研究小組成員泰勒-德爾-羅斯（Tyler Del Rose）合作，對合金進行了合成和表徵。他們發現，ML 模型成功地預測了候選材料的居里溫度。這一成功是為未來技術應用設計新型永磁體的高通量方法邁出的重要的第一步。

辛格說：”我們正在為可持續發展的未來編寫物理信息機器學習。”