Para ilmuwan menggunakan kecerdasan buatan untuk menemukan bahan magnetik baru yang tidak menggunakan unsur-unsur penting. Sebuah tim peneliti di Laboratorium Nasional Ames Departemen Energi AS telah mengembangkan model pembelajaran mesin baru untuk menemukan bahan magnet permanen yang tidak mengandung unsur-unsur penting. Model tersebut memprediksi suhu Curie dari kombinasi material baru. Ini adalah langkah pertama yang penting dalam menggunakan kecerdasan buatan untuk memprediksi material magnet permanen baru. Model ini melengkapi kemampuan tim yang baru-baru ini dikembangkan untuk menemukan material tanah jarang yang stabil secara termodinamika.
Para ilmuwan di Laboratorium Nasional Ames telah merancang model pembelajaran mesin yang dapat memprediksi material magnet baru tanpa menggunakan elemen langka. Pendekatan inovatif yang berfokus pada suhu bahan Curie ini menawarkan jalur yang lebih berkelanjutan untuk penerapan teknologi masa depan.
Pentingnya Magnet Berkinerja Tinggi
Magnet berperforma tinggi sangat penting untuk teknologi seperti energi angin, penyimpanan data, kendaraan listrik, dan pendinginan magnetik. Magnet ini mengandung bahan utama seperti kobalt dan unsur tanah jarang seperti neodymium dan disprosium. Bahan-bahan ini banyak diminati, namun persediaannya terbatas. Situasi ini mendorong para peneliti untuk mencari cara merancang material magnetik baru yang dapat mengurangi material kritis.
Peran pembelajaran mesin
Pembelajaran mesin (ML) adalah salah satu bentuk kecerdasan buatan. Hal ini didorong oleh algoritma komputer, menggunakan data dan algoritma trial-and-error untuk terus meningkatkan prediksi. Tim peneliti menggunakan data eksperimen dan pemodelan teoritis suhu Curie untuk melatih algoritma ML. Suhu Curie adalah suhu tertinggi dimana suatu bahan tetap bersifat magnetis.
“Menemukan senyawa dengan suhu Curie tinggi merupakan langkah pertama yang penting dalam menemukan bahan yang dapat tetap bersifat magnetis pada suhu tinggi,” kata Yaroslav Mudryk, ilmuwan Laboratorium Ames dan pemimpin senior tim peneliti. “Aspek ini penting tidak hanya untuk desain magnet permanen, tetapi juga untuk desain bahan magnetik fungsional lainnya.”
Mudrick percaya bahwa penemuan material baru merupakan aktivitas yang menantang karena pencarian material baru secara tradisional dilakukan melalui eksperimen, yang mahal dan memakan waktu. Namun penggunaan metode ML dapat menghemat waktu dan sumber daya.
Pengujian dan validasi model
Untuk memvalidasi model tersebut, tim menggunakan senyawa berbahan dasar cerium, zirkonium, dan besi. Ide tersebut dikemukakan oleh Andriy Palasyuk, ilmuwan di Laboratorium Ames dan anggota tim peneliti. Dia berharap untuk fokus pada bahan magnet yang tidak diketahui berdasarkan unsur-unsur yang berlimpah di Bumi. Palaschuk berkata: “Super magnet berikutnya tidak hanya harus memiliki performa prima, tetapi juga mengandalkan komponen dalam negeri yang melimpah.
Palaschuk berkolaborasi dengan anggota tim peneliti Tyler Del Rose, ilmuwan Laboratorium Ames lainnya, untuk mensintesis dan mengkarakterisasi paduan tersebut. Mereka menemukan bahwa model ML berhasil memprediksi suhu Curie dari kandidat material. Keberhasilan ini merupakan langkah pertama yang penting dalam pendekatan throughput tinggi dalam merancang magnet permanen baru untuk aplikasi teknologi masa depan.
“Kami sedang menulis pembelajaran mesin berbasis fisika untuk masa depan yang berkelanjutan,” kata Singer.
