Apr 27, 2023
Машинное обучение создает новые технологии
Машинное обучение для изучения новых технологий. На этой неделе я был на IEEE 2023.
Машинное обучение для изучения новых технологий
На этой неделе я был на конференции IEEE Intermag 2023 в Сендае, Япония. Это конференция, организованная Обществом магнетиков IEEE (моё первое общество IEEE, член которого уже 45 лет). Меня пригласили присутствовать в качестве избранного президента IEEE. Всего на конференции присутствовало более 1700 физических и виртуальных посетителей, из них около 1500 человек присутствовали лично. Я считаю, что это крупнейшая магнитная конференция с начала пандемии Covid в 2020 году.
Я посетил сессию, на которой были представлены доклады о применении искусственного интеллекта для исследования магнитных материалов. Это пример дискуссий, ведущихся в научном и инженерном сообществе о том, как люди могут эффективно использовать новые инструменты искусственного интеллекта для ускорения и содействия нашему пониманию физического мира и его применения в реальных приложениях. К ним относятся создание более совершенных устройств с магнитной памятью, более эффективных двигателей и многие другие практические действия.
На этом заседании присутствовал Минда Ли из Массачусетского технологического института, который сказал, что «подбор данных — это одно из многих других применений, которые можно извлечь из машинного обучения. Второе — это сосредоточение внимания на исследовании скрытых данных или построении отношений структура-свойство». Для этого последнего приложения в докладах на этом заседании использовались большие базы данных о материалах. В этой статье Мингда упоминает базу данных из 146 000 материалов.
Ю. Ивасаки из Национального института материаловедения, Цукуба, Ибараки, Япония, использовал автономную систему поиска материалов, сочетающую машинное обучение и расчет ab initio, чтобы найти многоэлементные составы, которые могли бы обнаружить намагниченность сплава выше, чем Fe3Co (материал на пике кривая Слейтера-Полинга). На изображении ниже показаны результаты поиска материалов за 9-недельный период, постепенного поиска способов увеличения собственной намагниченности моделируемого сплава.
Многонедельное моделирование для увеличения намагниченности материала
Это исследование показало, что добавление небольшого количества Ir и немного Pt может увеличить намагниченность сплава железа и кобальта. Когда были изготовлены и измерены некоторые физические растворы железа, кобальта, иридия и железа, кобальта, платины, было обнаружено, что около 4% Ir действительно увеличивает намагниченность сплава FeCo. Аналогично, небольшое количество Pt в сплаве FeCo также увеличивает намагниченность. Хотя составы сплавов с намагниченностью выше, чем Fe3Co, были обнаружены и раньше, это исследование показало пример того, как ИИ можно использовать в качестве инструмента для открытия новых материалов.
Клаудия Фельзер и ее коллеги из Института химической физики твердого тела Макса Планка, а также Испании, США и Китая рассказали об использовании методов искусственного интеллекта для разработки новых материалов для так называемых топологических магнитных материалов. Они используют киральные электронные состояния в объеме, на поверхностях и краях твердых объектов. В физике киральное явление — это явление, не идентичное своему зеркальному отображению. Электронные спины придают электрону хиральность. Она показала, как были идентифицированы материалы с очень высоким аномальным эффектом Холла и большим аномальным ближайшим эффектом. Интересный элемент этой работы связан с взаимодействием гравитации при взаимодействии легкой материи с магнитными топологическими материалами. Возможно, эти явления могли бы открыть новые способы обнаружения и понимания гравитации?
Масафуми Сираи и его коллеги из Университета Тохоку использовали большую базу данных магнитных свойств так называемых сплавов Гейслера, взаимодействующих с туннельным слоем MgO для магнитных туннельных переходов (MTJ). Используя машинное обучение и эту базу данных, они смогли предсказать температуру Кюри четырехкомпонентных сплавов (температуру, при которой намагниченность обращается в ноль) и то, что называется обменной жесткостью (обменная жесткость представляет собой силу так называемого обменного взаимодействия между соседние магнитные спины) на границе раздела с MgO. Обратите внимание, что MTJ используются в качестве датчиков считывания в головках жестких дисков и магнитных лент, а также в широко используемых магнитных датчиках.