La Inteligencia Artificial Permite Descubrir Materiales Magnéticos Sin Elementos Críticos

La Inteligencia Artificial Permite Descubrir Materiales Magnéticos Sin Elementos Críticos

Material magnético. Crédito: Unsplush.

El Laboratorio Nacional Ames ha presentado un innovador modelo de aprendizaje automático diseñado para identificar materiales magnéticos permanentes libres de elementos críticos.

Este novedoso modelo es una herramienta predictiva para evaluar la temperatura de Curie de nuevas combinaciones de materiales, lo que supone un avance fundamental en la aplicación de la inteligencia artificial para predecir nuevos materiales magnéticos permanentes. Este avance se suma a los recientes logros del equipo en el descubrimiento de materiales de tierras raras termodinámicamente estables.

Importancia de los imanes de alto rendimiento

Los imanes de alto rendimiento son indispensables para diversas tecnologías, como la producción de energía eólica, el almacenamiento de datos, los vehículos eléctricos y la refrigeración magnética.

Con frecuencia, estos imanes contienen materiales críticos como el cobalto, el neodimio y el disprosio, recursos escasos y muy demandados. Esta escasez ha impulsado a los investigadores a buscar formas innovadoras de diseñar materiales magnéticos que reduzcan la dependencia de elementos críticos.

Aprovechamiento del potencial de la inteligencia artificial

La inteligencia artificial se basa en datos y algoritmos iterativos para mejorar continuamente la capacidad de predicción.

Los investigadores utilizaron datos experimentales sobre las temperaturas de Curie y modelos teóricos para entrenar su algoritmo de ML. Por temperatura de Curie se entiende la temperatura máxima a la que un material conserva sus propiedades magnéticas.

La función del ML en el descubrimiento de materiales

El investigador del laboratorio Ames Yaroslav Mudryk, jefe del equipo de investigación, destacó la importancia de identificar compuestos con altas temperaturas de Curie.

Este tipo de materiales pueden mantener propiedades magnéticas a temperaturas elevadas, por lo que son cruciales para diseñar imanes permanentes y otros materiales magnéticos funcionales.

La búsqueda de estos materiales se ha basado tradicionalmente en experimentos costosos y lentos. No obstante, el ML ofrece una alternativa más eficiente y que ahorra recursos.

Construcción del modelo de ML sobre bases científicas

El investigador Prashant Singh, del laboratorio Ames y miembro del equipo de investigación, subraya que el proyecto se ha centrado en desarrollar un modelo de ML basado en principios científicos fundamentales.

Para entrenar el modelo se utilizaron materiales magnéticos conocidos, estableciendo conexiones entre diversos atributos de la estructura electrónica y atómica y la temperatura de Curie. Estos modelos proporcionan al modelo ML una base para identificar posibles materiales candidatos.

Poniendo a prueba el modelo

Con el objetivo de validar su modelo, el equipo experimentó con compuestos basados en cerio, circonio y hierro, una idea propuesta por Andriy Palasyuk, otro científico del equipo. Se trataba de explorar materiales magnéticos desconocidos derivados de elementos fácilmente disponibles.

La capacidad del modelo ML para predecir la temperatura de Curie de estos materiales representa un gran avance hacia la creación de un método de alto rendimiento para diseñar futuros imanes permanentes.

Según Prashant Singh, “estamos escribiendo aprendizaje automático informado por la física para un futuro sostenible”. Este enfoque innovador podría revolucionar la forma de descubrir y desarrollar materiales para aplicaciones tecnológicas sostenibles y avanzadas.


Read the original article on Science Daily.

Read more: New Algorithm Aces University Math Course Questions.

    Share this post