L'apprendimento automatico crea nuove tecnologie

Questa settimana sono stato alla conferenza IEEE Intermag 2023 a Sendai, in Giappone. Questa è una conferenza organizzata dalla IEEE Magnetics Society (la mia prima IEEE Society, membro da 45 anni). Sono stato invitato a partecipare in qualità di Presidente eletto dell'IEEE. Ci sono stati oltre 1.700 partecipanti fisici e virtuali in totale, con quasi 1.500 persone presenti alla conferenza di persona. Credo che questa sia la più grande conferenza magnetica dall’inizio della pandemia di Covid nel 2020.

Ho partecipato a una sessione che conteneva documenti sulle applicazioni dell'intelligenza artificiale per la ricerca sui materiali magnetici. Questo è un esempio delle discussioni in corso nella comunità scientifica e ingegneristica su come le persone possano utilizzare in modo efficace i nuovi strumenti di intelligenza artificiale per accelerare e assistere nella nostra comprensione del mondo fisico e delle sue applicazioni nel mondo reale. Questi includono la realizzazione di dispositivi di memoria magnetica migliori, motori più efficienti e molte altre attività pratiche.

Questa sessione includeva Mingda Li, del MIT, che ha affermato che “l’adattamento dei dati è uno dei tanti altri usi di cui si può trarre vantaggio dall’apprendimento automatico. L’altro è concentrarsi sull’esplorazione dei dati nascosti o sulla costruzione di relazioni struttura-proprietà”. Per quest'ultima applicazione, gli articoli di questa sessione hanno utilizzato ampi database di materiali. Mingda menziona un database di 146.000 materiali in questo articolo.

Y. Iwasaki dell'Istituto nazionale per la scienza dei materiali, Tsukuba, Ibaraki, Giappone, ha utilizzato un sistema di ricerca dei materiali autonomo che combina l'apprendimento automatico e il calcolo ab initio per trovare composizioni multi-elementari in grado di trovare magnetizzazioni delle leghe superiori a Fe₃Co (il materiale al picco della curva Slater-Pauling). L'immagine sotto mostra i risultati di questa ricerca sui materiali nell'arco di un periodo di 9 settimane, trovando gradualmente modi per aumentare la magnetizzazione intrinseca della lega modellata.

Questa ricerca ha indicato che l'aggiunta di un po' di Ir e un po' di Pt potrebbe aumentare la magnetizzazione di una lega di ferro-cobalto. Quando sono stati prodotti e misurati alcuni materiali fisici di ferro cobalto iridio e ferro cobalto platino, si è scoperto che circa il 4% di Ir aumentava effettivamente la magnetizzazione della lega FeCo. Allo stesso modo, anche una piccola quantità di Pt in una lega FeCo aumenta la magnetizzazione. Sebbene le composizioni di leghe con magnetizzazione superiore a Fe₃Co sono stati trovati in precedenza, questa indagine ha mostrato un esempio di come l’intelligenza artificiale potrebbe essere utilizzata come strumento per la scoperta di nuovi materiali.

Claudia Felser e colleghi, dell'Istituto Max Planck di fisica chimica dei solidi, nonché di Spagna, Stati Uniti e Cina, hanno parlato dell'utilizzo di metodi di intelligenza artificiale per sviluppare nuovi materiali per quelli che vengono chiamati materiali magnetici topologici. Questi sfruttano gli stati degli elettroni chirali sulla massa, sulle superfici e sui bordi degli oggetti solidi. In fisica, un fenomeno chirale è un fenomeno che non è identico alla sua immagine speculare. Gli spin degli elettroni conferiscono una chiralità a un elettrone. Ha mostrato come vengono identificati i materiali con un effetto Hall anomalo molto elevato e un grande effetto Nearst anomalo. Un elemento interessante di questo lavoro riguarda l'interazione della gravitazione nelle interazioni della materia leggera con i materiali topologici magnetici. Forse questi fenomeni potrebbero fornire nuovi modi per rilevare e comprendere la gravitazione?

Masafumi Shirai e colleghi dell'Università di Tohoku hanno utilizzato un ampio database di proprietà magnetiche per quelle che vengono chiamate leghe Heusler che interagiscono con uno strato tunnel di MgO per giunzioni tunnel magnetiche (MTJ). Utilizzando l'apprendimento automatico e questo database sono stati in grado di prevedere la temperatura di Curie delle leghe a quattro componenti (la temperatura alla quale la magnetizzazione va a zero) e quella che viene chiamata rigidità di scambio (la rigidità di scambio rappresenta la forza di quelle che vengono chiamate interazioni di scambio tra spin magnetici vicini) all'interfaccia con MgO. Si noti che gli MTJ vengono utilizzati come sensori di lettura nelle testine del disco rigido e del nastro magnetico e nei sensori magnetici comunemente utilizzati.

L'ultimo articolo di questa sessione, tenuto da Alexander Kovacs con coautori provenienti da Austria e Giappone, ha parlato dell'uso dell'apprendimento automatico combinato con l'analisi degli elementi finiti dei grani di cristallo di materiale magnetico permanente per creare motori più efficienti e utilizzare meno terre rare, ad esempio, per i mulini a vento . Hanno ottimizzato la composizione chimica e la microstruttura del magnete utilizzando modelli di apprendimento automatico sviluppati attraverso l'assimilazione di dati provenienti da esperimenti e simulazioni. Dimostrano come è possibile creare magneti Nd-lean ad alte prestazioni utilizzando i metodi di apprendimento automatico.

L’apprendimento automatico sta trovando usi crescenti nello sviluppo di nuovi materiali, compresi i materiali magnetici utilizzati per l’archiviazione digitale. Si possono adottare vari approcci, ma utilizzando database di materiali noti questi modelli possono prevedere le proprietà di nuovi materiali, creando e valutando virtualmente combinazioni molto più velocemente di quanto potrebbe fare un essere umano. Sebbene non siano infallibili, questi approcci possono accelerare le scoperte scientifiche e ingegneristiche.