L'apprentissage automatique crée de nouvelles technologies

Blog

MaisonMaison / Blog / L'apprentissage automatique crée de nouvelles technologies

Apr 27, 2023

L'apprentissage automatique crée de nouvelles technologies

Machine Learning pour apprendre de nouvelles technologies Cette semaine, j'étais à l'IEEE 2023

Apprentissage automatique pour apprendre de nouvelles technologies

Cette semaine, j'étais à la conférence IEEE Intermag 2023 à Sendai, au Japon. Il s'agit d'une conférence organisée par l'IEEE Magnetics Society (ma première IEEE Society, membre depuis 45 ans). J'ai été invité à y assister en tant que président élu de l'IEEE. Il y avait plus de 1 700 participants physiques et virtuels au total avec près de 1 500 personnes à la conférence en personne. Je crois qu'il s'agit de la plus grande conférence magnétique depuis le début de la pandémie de Covid en 2020.

J'ai assisté à une session qui contenait des articles sur les applications de l'intelligence artificielle pour la recherche sur les matériaux magnétiques. Ceci est un exemple de discussions en cours dans la communauté scientifique et technique sur la façon dont les gens peuvent utiliser efficacement les nouveaux outils d'IA pour accélérer et aider à notre compréhension du monde physique et de ses applications aux applications du monde réel. Il s'agit notamment de fabriquer de meilleurs dispositifs de mémoire magnétique, des moteurs plus efficaces et de nombreuses autres activités pratiques.

Cette session comprenait Mingda Li, du MIT, qui a déclaré que "l'ajustement des données est l'une des nombreuses autres utilisations qui peuvent bénéficier de l'apprentissage automatique. L'autre est l'accent mis sur l'exploration des données cachées ou la construction de relations structure-propriété". Pour cette dernière application, les articles de cette session ont utilisé de grandes bases de données sur les matériaux. Mingda mentionne une base de données de 146 000 matériaux dans cet article.

Y. Iwasaki de l'Institut national des sciences des matériaux, Tsukuba, Ibaraki, Japon a utilisé un système de recherche de matériaux autonome combinant l'apprentissage automatique et le calcul ab initio pour trouver des compositions multi-élémentaires qui pourraient trouver des aimantations d'alliage supérieures à Fe3Co (le matériau au sommet de la courbe de Slater-Pauling). L'image ci-dessous montre les résultats de cette recherche de matériaux sur une période de 9 semaines, trouvant progressivement des moyens d'augmenter l'aimantation intrinsèque de l'alliage modélisé.

Simulation de plusieurs semaines pour augmenter la magnétisation des matériaux

Cette recherche a indiqué que l'ajout d'un peu d'Ir et d'un peu de Pt pouvait augmenter la magnétisation d'un alliage fer-cobalt. Lorsque des permis physiques de fer-cobalt-iridium et de fer-cobalt-platine ont été fabriqués et mesurés, il a été constaté qu'environ 4% d'Ir augmentaient effectivement la magnétisation de l'alliage FeCo. De même, un peu de Pt dans un alliage FeCo a également augmenté l'aimantation. Bien que des compositions d'alliages avec une magnétisation supérieure à Fe3Co aient été trouvées auparavant, cette enquête a montré un exemple de la façon dont l'IA pourrait être utilisée comme outil pour de nouvelles découvertes de matériaux.

Claudia Felser et ses collègues, de l'Institut Max Planck de physique chimique des solides ainsi que d'Espagne, des États-Unis et de Chine, ont parlé de l'utilisation de méthodes d'IA pour développer de nouveaux matériaux pour ce qu'on appelle les matériaux magnétiques topologiques. Ceux-ci exploitent les états électroniques chiraux sur la masse, les surfaces et les bords des objets solides. En physique, un phénomène chiral est un phénomène qui n'est pas identique à son image miroir. Les spins électroniques confèrent une chiralité à un électron. Elle a montré comment des matériaux avec un effet Hall anormal très élevé et un effet le plus proche anormal important ont été identifiés. Un élément intéressant de ce travail concerne l'interaction de la gravitation dans les interactions matière légère avec les matériaux topologiques magnétiques. Peut-être que ces phénomènes pourraient fournir de nouvelles façons de détecter et de comprendre la gravitation ?

Masafumi Shirai et ses associés de l'Université de Tohoku ont utilisé une grande base de données de propriétés magnétiques pour ce qu'on appelle les alliages Heusler interagissant avec une couche tunnel MgO pour les jonctions tunnel magnétiques (MTJ). En utilisant l'apprentissage automatique et cette base de données, ils ont pu prédire la température de Curie d'alliages à quatre composants (la température à laquelle l'aimantation passe à zéro) et ce qu'on appelle la rigidité d'échange (la rigidité d'échange représente la force de ce qu'on appelle les interactions d'échange entre spins magnétiques voisins) à l'interface avec le MgO. Notez que les MTJ sont utilisés comme capteurs de lecture dans les lecteurs de disque dur et les têtes de bande magnétique et dans les capteurs magnétiques couramment utilisés.

Le dernier article de cette session donné par Alexander Kovacs avec des co-auteurs d'Autriche et du Japon a parlé de l'utilisation de l'apprentissage automatique combiné à l'analyse par éléments finis de grains de cristal de matériau magnétique permanent pour créer des moteurs plus efficaces et utiliser moins de terres rares, par exemple, pour les moulins à vent .Ils ont optimisé la composition chimique et la microstructure de l'aimant à l'aide de modèles d'apprentissage automatique développés par assimilation de données issues d'expériences et de simulations. Ils démontrent comment des aimants à faible teneur en Nd hautes performances peuvent être créés à l'aide des méthodes d'apprentissage automatique.

L'apprentissage automatique trouve de plus en plus d'utilisations dans le développement de nouveaux matériaux, y compris les matériaux magnétiques utilisés pour le stockage numérique. Diverses approches peuvent être adoptées, mais en utilisant des bases de données de matériaux connus, ces modèles peuvent prédire les propriétés de nouveaux matériaux, créant et évaluant virtuellement des combinaisons beaucoup plus rapidement qu'un humain ne le pourrait. Bien qu'elles ne soient pas infaillibles, ces approches peuvent accélérer les découvertes scientifiques et techniques.