美國艾姆斯國家實驗室的科學家們已經開發出一條系統性路徑，以探索不依賴稀土元素的永久磁鐵新建造方法。這一方法結合了基於物理的建模與 Qualcomm 量模擬，並利用基於推理的人工智能（AI）工具，在材料實驗室製作之前就指導發現過程。永久磁鐵在我們的日常生活中至關重要，從數據存儲、助力電動車（EV）到高質量醫療成像，永久磁鐵的應用無處不在。使用稀土元素製成的高性能永久磁鐵被廣泛應用於國防和能源生產領域。
然而，美國在提煉稀土元素方面高度依賴其他國家，這進一步增加了成本和安全風險。因此，艾姆斯國家實驗室的科學家們被指派開發不使用稀土元素的永久磁鐵。
在人工智能普及迅速的時代，無論哪個組織都不希望落後於人。關於人工智能工作流程的另一則故事並不令人驚訝。然而，為了使人工智能模型表現完美，必須在正確的數據上進行訓練。對於一般用例，人工智能模型可以在普通數據上進行訓練。然而，對於需要在材料科學中卓越的人工智能，艾姆斯的科學家普拉尚特·辛格（Prashant Singh）領導的研究小組確保模型在實驗測量和科學計算的材料屬性上進行訓練。
只有這樣，AI 模型的預測才能基於現實行為。“理解材料的物理特性在設計新材料時是重要的。如果僅僅使用數據來訓練模型，您將僅獲得在您擁有的信息範圍內的預測，”辛格在新聞稿中表示。“但是一旦您理解控制特定屬性的物理特性，您和您的代理工具或人工智能框架就可以在任意材料空間中搜索。”
艾姆斯國家實驗室開發新方法以減少對稀土元素的依賴
使用這種基於人工智能的方法的優勢在於，它利用材料的原子結構和電子行為來確定其屬性。磁化強度、抗去磁化能力、能量儲存能力以及永久磁鐵在高温下的行為是決定其實用性的重要參數。使用考慮到這些因素的 AI 模型，研究人員能夠通過計算而不是實際迭代來識別最有前景的材料候選者並得出可能的結果。“艾姆斯實驗室的優勢來自於其在磁鐵領域的深厚專業知識和悠久的數據歷史，這是其他機構無法比擬的，”辛格在新聞稿中詳細説明。
“在任何材料設計問題中，您需要知道如何組合兩種元素將在您進行實驗之前改變其性能。我們一直在建立理論和分析工具來回答這個問題，現在我們將人工智能引入該過程，使其變得更快且更廣泛。”
然而，研究人員並未止步於此。這些人工智能工具還考慮了材料的可用性和成本。由於在過去十年中供應鏈的脆弱性多次暴露，這些 AI 模型在發現過程中也將這些條件納入考慮，以確保所開發的材料在實踐中是可行的且能夠擴展。通過這種方式，研究人員已經解決了從發現到工業可用性的完整流程，因為美國希望降低對其他國家關鍵組件的依賴。研究結果已發表於《材料科學與工程》期刊。
項目 規格 磁化強度 高 抗去磁化能力 強 能量儲存能力 優 高温行為 穩定
