Blog

Apr 27, 2023

El aprendizaje automático crea nuevas tecnologías

Aprendizaje automático para aprender nuevas tecnologías Esta semana estuve en el IEEE 2023

Aprendizaje automático para aprender nuevas tecnologías

Esta semana estuve en la Conferencia IEEE Intermag 2023 en Sendai, Japón. Esta es una conferencia organizada por la IEEE Magnetics Society (mi primera IEEE Society, miembro durante 45 años). Fui invitado a asistir como presidente electo del IEEE. Hubo más de 1.700 asistentes físicos y virtuales en total con cerca de 1.500 personas en la conferencia en persona. Creo que esta es la conferencia magnética más grande desde que comenzó la pandemia de Covid en 2020.

Asistí a una sesión que tenía trabajos sobre aplicaciones de inteligencia artificial para la investigación de materiales magnéticos. Este es un ejemplo de las discusiones que tienen lugar en la comunidad científica y de ingeniería sobre cómo las personas pueden usar de manera efectiva las nuevas herramientas de IA para acelerar y ayudar en nuestra comprensión del mundo físico y sus aplicaciones en las aplicaciones del mundo real. Estos incluyen hacer mejores dispositivos de memoria magnética, motores más eficientes y muchas otras actividades prácticas.

Esta sesión incluyó a Mingda Li, del MIT, quien dijo que "el ajuste de datos es uno entre muchos otros usos que pueden beneficiarse del aprendizaje automático. El otro es el enfoque en la exploración de datos ocultos o la construcción de relaciones estructura-propiedad". Para esta última aplicación, los documentos de esta sesión utilizaron grandes bases de datos de materiales. Mingda menciona una base de datos de 146.000 materiales en este documento.

Y. Iwasaki del Instituto Nacional de Ciencias de los Materiales, Tsukuba, Ibaraki, Japón, utilizó un sistema autónomo de búsqueda de materiales que combinaba el aprendizaje automático y el cálculo ab initio para encontrar composiciones multielementales que pudieran encontrar magnetizaciones de aleación superiores a Fe3Co (el material en el pico de la curva de Slater-Pauling). La imagen a continuación muestra los resultados de esta búsqueda de materiales durante un período de 9 semanas, encontrando gradualmente formas de aumentar la magnetización intrínseca de la aleación modelada.

Simulación de varias semanas para aumentar la magnetización del material

Esta investigación indicó que agregar un poco de Ir y un poco de Pt podría aumentar la magnetización de una aleación de hierro cobalto. Cuando se fabricaron y midieron algunos permisos físicos de hierro, cobalto, iridio y hierro, cobalto y platino, se descubrió que aproximadamente un 4% de Ir sí aumentaba la magnetización de la aleación de FeCo. Asimismo, un poco de Pt en una aleación de FeCo también aumentaba la magnetización. Aunque ya se han encontrado composiciones de aleaciones con una magnetización superior a Fe3Co, esta investigación mostró un ejemplo de cómo la IA podría usarse como herramienta para descubrir nuevos materiales.

Claudia Felser y sus colegas, del Instituto Max Planck de Física Química de Sólidos, así como de España, EE. UU. y China, hablaron sobre el uso de métodos de IA para desarrollar nuevos materiales para los llamados materiales magnéticos topológicos. Estos explotan estados de electrones quirales en la mayor parte, las superficies y los bordes de los objetos sólidos. En física, un fenómeno quiral es aquel que no es idéntico a su imagen especular. Los espines electrónicos imparten una quiralidad a un electrón. Mostró cómo se identificaron los materiales con un efecto Hall anómalo muy alto y un efecto más cercano anómalo grande. Un elemento interesante de este trabajo se relaciona con la interacción de la gravitación en las interacciones de materia ligera con materiales topológicos magnéticos. ¿Quizás estos fenómenos podrían proporcionar nuevas formas de detectar y comprender la gravitación?

Masafumi Shirai y sus asociados de la Universidad de Tohoku utilizaron una gran base de datos de propiedades magnéticas para las llamadas aleaciones de Heusler que interactúan con una capa de túnel de MgO para uniones de túnel magnético (MTJ). Utilizando el aprendizaje automático y esta base de datos, pudieron predecir la temperatura de Curie de las aleaciones de cuatro componentes (la temperatura a la que la magnetización llega a cero) y lo que se denomina rigidez de intercambio (la rigidez de intercambio representa la fuerza de lo que se denominan interacciones de intercambio entre espines magnéticos vecinos) en la interfaz con el MgO. Tenga en cuenta que los MTJ se utilizan como sensores de lectura en unidades de disco duro y cabezales de cinta magnética y en sensores magnéticos de uso común.

El último artículo de esta sesión presentado por Alexander Kovacs con coautores de Austria y Japón habló sobre el uso del aprendizaje automático combinado con el análisis de elementos finitos de granos de cristal de material magnético permanente para crear motores más eficientes y usar menos tierras raras, por ejemplo, para molinos de viento. .Optimizaron la composición química y la microestructura del imán utilizando modelos de aprendizaje automático desarrollados mediante la asimilación de datos de experimentos y simulaciones. Demuestran cómo se pueden crear imanes de Nd-pobres de alto rendimiento utilizando los métodos de aprendizaje automático.

El aprendizaje automático está encontrando usos cada vez mayores en el desarrollo de nuevos materiales, incluidos los materiales magnéticos utilizados para el almacenamiento digital. Se pueden tomar varios enfoques, pero al usar bases de datos de materiales conocidos, estos modelos pueden predecir las propiedades de nuevos materiales, haciendo y evaluando virtualmente combinaciones mucho más rápido que un ser humano. Aunque no son infalibles, estos enfoques pueden acelerar los descubrimientos científicos y de ingeniería.