ولادة أقوى مغناطيس فائق التوصيل مصنوع من الحديد! علماء يصممون نظام بحث جديد يعتمد على التعلم الآلي، بقوة مجال مغناطيسي أعلى بمقدار 2.7 مرة من الرقم القياسي السابق

منذ اكتشافها في عام 1911، ظلت ظاهرة الموصلية الفائقة دائمًا رائدة وذات قيمة عالية، مما جذب عددًا كبيرًا من العلماء للمشاركة في أبحاثها. تشير ظاهرة الموصلية الفائقة إلى حقيقة أن مقاومة بعض المواد تنخفض فجأة إلى الصفر تحت درجة حرارة معينة. وهذا ليس مجرد اختراق ثوري في علم المواد، بل إنه يجلب أيضًا زخمًا هائلاً للابتكار التطبيقي في مجالات مثل نقل الطاقة والنقل المغناطيسي والتصوير الطبي. لكن،**غالبًا ما تحتاج المواد الفائقة التوصيل التقليدية إلى درجات حرارة منخفضة للغاية لتحقيق حالة فائقة التوصيل.**وهذا يحد من تطبيقاتها العملية. لقد تغير هذا الوضع بشكل أساسي حتى ظهور الموصلات الفائقة عالية الحرارة المعتمدة على الحديد (IBSs).

يمكن لمواد IBS تحقيق الموصلية الفائقة في درجات حرارة عالية نسبيًا، مع درجة حرارة حرجة فائقة التوصيل (Tc) تبلغ حوالي 60 كلفن، وهي أعلى بكثير من درجة حرارة انتقال المواد الفائقة التوصيل التقليدية. لا تعمل هذه الخاصية على تقليل تكلفة التبريد لتطبيقات الموصلية الفائقة فحسب، بل إنها تمهد الطريق أيضًا للاستخدام الواسع النطاق للمواد الموصلة الفائقة. بالإضافة إلى ذلك، فإن المجال الحرج العلوي العالي (Hc2) هو السمة المميزة لمتلازمة القولون العصبي،**يمكنه الحفاظ على حالة التوصيل الفائق حتى في بيئة المجال المغناطيسي العالي.**وهذا يوفر إمكانيات جديدة لتطوير تقنيات مثل مسرعات الجسيمات والتصوير الطبي.

في الآونة الأخيرة، استخدم علماء من المملكة المتحدة واليابان، بما في ذلك أكياسو ياماموتو، تكنولوجيا التعلم الآلي لتصميم نظام بحث يجمع بين الأساليب التي يقودها الباحثون والأساليب التي يقودها البيانات.**تم إنتاج أقوى مغناطيس فائق التوصيل مصنوع من الحديد في العالم بنجاح.**ومن المتوقع أن يعزز البحث الأخير تطوير تقنية التصوير بالرنين المغناطيسي (MRI) من الجيل التالي وتقنية النقل الكهربائي المستقبلية.

نُشرت الورقة البحثية ذات الصلة، والتي تحمل عنوان "مغناطيسات دائمة فائقة القوة مع موصلات فائقة تعتمد على الحديد من خلال تصميم عملية تعتمد على البيانات والباحث"، في مجلة NPG Asia Materials الفرعية التابعة لمجلة Nature.

أبرز الأبحاث:

* نجح البحث في تطوير مغناطيس دائم فائق التوصيل قائم على الحديد، بقوة مجال مغناطيسي تتجاوز الرقم القياسي السابق بشكل كبير بمقدار 2.7 مرة

* صمم خط أنابيب بحث ناجح من خلال الجمع بين خبرة الباحثين وقوة التعلم الآلي

* نتائج المحاكاة العددية تتفق بشكل جيد مع النتائج التجريبية، مما يشير إلى وجود توزيع موحد للتيار الفائق Jc داخل المادة

عنوان الورقة: https://doi.org/10.1038/s41427-024-00549-5
يجمع مشروع المصدر المفتوح "awesome-ai4s" أكثر من 100 تفسير لورقة AI4S ويوفر أيضًا مجموعات بيانات وأدوات ضخمة:

https://github.com/hyperai/awesome-ai4s

نظام بحثي جديد: الجمع بين البحث القائم على الباحثين والبحث القائم على البيانات

استخدمت هذه الدراسة نظام التعلم الآلي BOXVIA، الذي يجمع بين الأساليب التي يقودها الباحث والأساليب التي يقودها البيانات لتصميم نظام بحث جديد.

**أولاً،**وبناءً على الخبرة البحثية السابقة، قدم الباحثون معلمات عملية مختلفة وبيانات أولية، وأدخلوا هذه البيانات في خوارزمية التعلم الآلي للتنبؤ بظروف التوليف التي من شأنها أن تنتج أداءً متفوقًا.

**ثم،**يتمكن الباحثون من تجميع العينات وفقًا للظروف المقترحة وتحديث قاعدة البيانات. في خوارزمية التعلم الآلي، قدم الباحثون إطارًا عامًا لعملية التعلم الآلي والتصميم، بدءًا من البيانات التي تم الحصول عليها في حلقة تعتمد على البيانات وحتى تجميع العينات في الخطوة التالية من العملية. يتم استخدام "حلقة البيانات المدفوعة" هذه بشكل متكرر للمساعدة في توسيع نطاق بيانات التعلم الآلي وتحسين كفاءة تصميم العملية.

في المرحلة الأولى، قام الباحثون بفحص معايير العملية القابلة للقياس بشكل منهجي لتحديد تلك التي كان لها تأثير كبير على الأداء النهائي. ثم اختار الباحثون التركيز على ثلاث معلمات رئيسية للعملية، يشار إليها بـ x (معدل الانحدار)، و y (أقصى درجة حرارة)، و z (وقت الانتظار). تتحكم هذه المعلمات في عملية تلبيد البلازما الشرارية ويمكن تطبيقها على مساحيق السلائف الميكانيكية (Ba0.6K0.4)Fe2As2 التي يتم الحصول عليها عن طريق الطحن عالي الطاقة.

من خلال العملية المذكورة أعلاه،**تضمنت الدراسة في البداية تصنيع نموذجين أوليين أكبر حجمًا من المغناطيس الدائم Ba122 (Ba0.6K0.4Fe2As2) الممزوج بالبوتاسيوم، Bulk1 وBulk2.**تتوافق كل عينة مع البيانات المدفوعة والباحثين على التوالي، حيث يبلغ قطر كل عينة 30 مم وسمكها 6 مم. تم ضبط معلمات (x، y، z) الخاصة بـ Bulk1 على (+49.8 درجة مئوية/دقيقة، 556 درجة مئوية و32.47 دقيقة)، وتم ضبط معلمات Bulk2 على (+50 درجة مئوية/دقيقة، 600 درجة مئوية و5 دقائق).

**بعد تجميع العينة،**كما بحثت الدراسة أيضًا اعتماد كثافة التيار الحرج (Jc) على المجال المغناطيسي عند 5K وحددت Jc، وبالتالي حددت المعلمات المثلى. وأظهرت الدراسة أن عمل التحسين لكلا الطريقتين أدى إلى تحسين Jc، ولكن كانت هناك بعض الاختلافات في الاتجاهات. وبموجب الطريقة التي يقودها الباحث، تظهر العلاقة بين كثافة التيار الحرج وقوة المجال المغناطيسي اتجاهًا متزايدًا حادًا، كما هو موضح بالخط الأحمر في الشكل أعلاه، وتصل قيمة Jc إلى أقصى حد لها عند 0T. تظهر الطريقة المعتمدة على البيانات تأثيرًا تدريجيًا لقوة المجال المغناطيسي، كما هو موضح بالخط الأزرق في الشكل أعلاه، مع تحقيق أعلى قيمة Jc عند 3T.

من أجل تحسين كثافة التيار الحرج،**طورت الدراسة حزمة برامج BOXVIA خصيصًا لتحسين Bayesian لخوارزميات التعلم الآلي وأنشأت ارتباطات مع المعلمات التجريبية.**وهذا يعني أن Jc =f(x,y,z)، حيث f هي دالة صندوق أسود ذات معلمات فائقة. بافتراض أن f(x,y,z) ومتغيراتها x وy وz متصلة، فإن هذه العملية لا تتطلب تعريف معادلة محددة لوصف f(x,y,z). في خوارزمية التحسين البايزية، يتم نمذجة الدالة f باستخدام مجموعة البيانات الأولية ويتم استخدام الانحدار الغاوسي للعملية. لذلك، يتم وصف كثافة التيار الحرجة Jc على أنها توزيع غاوسي.

**من حيث التحسين المحلي،**الطريقة التي يقودها الباحث (Bulk2) قامت بتحسين أقصى درجة حرارة للتلبيد x بزيادات قدرها 50 درجة مئوية، مما أدى إلى تحسين x = 600 درجة مئوية. وعلى النقيض من ذلك، تم إجراء التحسين البايزي بزيادات قدرها 1 درجة مئوية وتم تحسين النتيجة إلى 556 درجة مئوية.

أجرى الباحثون تحليل البنية النانوية والتركيب على Bulk1 وBulk2. وأظهرت النتائج أن البنية الدقيقة لـ Bulk2 (الشكل أ) أظهرت بنية شبكية كثيفة مكونة من مراحل غير متبلورة يصل حجمها إلى عشرات النانومتر. وقد تمكن الباحثون من تحقيق هذه الميزة باستخدام وقت تلبيد قصير عند 600 درجة مئوية. على النقيض من ذلك، أظهر Bulk1 (الشكل 1ب)، المحضر بواسطة إجراء تحسين بايزي يتضمن التلبيد الطويل في درجة حرارة منخفضة، ميلًا إلى الانفصال إلى عدة جزيئات دقيقة يبلغ حجمها عشرات النانومتر.

المغناطيس الدائم Ba122: قوة المجال المغناطيسي أعلى بمقدار 2.7 مرة مما تم الإبلاغ عنه سابقًا

من أجل تحليل اعتماد المغناطيس الدائم Ba122 على المجال المغناطيسي ودرجة الحرارة بشكل أعمق، أجرت هذه الدراسة تبريدًا سريعًا للمجال المغناطيسي باستخدام ثلاجة عند درجة حرارة تبلغ حوالي 5 كلفن وطبقت مجالًا مغناطيسيًا بقوة 7 تسلا.

بعد عملية تبريد المجال المغناطيسي، كان الحد الأقصى للمجال المغناطيسي الذي يمكن تسجيله هو 2.83 T، ويقع في مركز زوج العينات.يبلغ هذا القياس حوالي 2.7 مرة الحد الأقصى للمجال المغناطيسي الذي تم تحقيقه سابقًا بواسطة مغناطيس فائق التوصيل قائم على الحديد.

بعد تبريد المجال الصفري إلى 5K، تم إجراء الدراسة من خلال تسلسل مسح 0T→7T→-7T→7T. عند 7 T، تظهر حلقة الهستيريسيس زيادة واضحة بسبب الارتفاع المغناطيسي القوي والمجال المغناطيسي غير القابل للعكس بدرجة كبيرة. وهذا يتفق جيدًا مع نتائج النموذج العددي. وفي الوقت نفسه، أظهرت الدراسات أنهناك تناسق كبير بين نتائج التجارب المغناطيسية والمغناطيسية الريولوجية ونتائج النموذج.

في نموذج المغناطيسية الباردة للمجال (FCM)، يتم ملاحظة كثافة تدفق مغناطيسي عالية في المنطقة المركزية للعينة، مصحوبة بانخفاض في كثافة التيار المرتبطة. وعلى النقيض من ذلك، عند التحرك نحو حافة العينة، ينعكس هذا الاتجاه بسبب الخصائص الجوهرية لكثافة التيار الحرجة Jc(B). بالإضافة إلى ذلك، تم ملاحظة عدم تناسق طفيف بين Bulk1 وBulk2. تكون كثافة التيار أكبر في مركز Bulk1 مقارنة بمركز Bulk2، حيث يكون المجال المغناطيسي المحلي (السلبي) أعلى. ومع ذلك، على الحافة، تكون كثافة التيار في Bulk2 أعلى من تلك الموجودة في Bulk1، حيث يكون المجال المغناطيسي المحلي (السلبي) في أدنى مستوياته.

ومن المثير للدهشة أن المجال المغناطيسي المحاصر يظهر سلوكًا زمنيًا ثابتًا تقريبًا عند كثافة تدفق تبلغ 2.0 تيسلا في المركز و1.5 تيسلا على السطح، مع عدم وجود أي اضمحلال تقريبًا حتى بعد ثلاثة أيام.**تظهر مادة العينة استقرارًا عاليًا جدًا للمجال المغناطيسي.**يتجاوز السلوك المرصود معيار معدل الاضمحلال وهو -0.1 جزء في المليون/ساعة. تعتبر هذه القيمة أساسية في أجهزة التصوير بالرنين المغناطيسي الطبي وهي ضرورية للحصول على صور مقطعية دقيقة للغاية.

"كيمياء" الذكاء الاصطناعي تعمل على تحسين الكفاءة بشكل كبير

في السنوات القليلة الماضية،**لقد كانت الموصلية الفائقة في درجة حرارة الغرفة دائمًا إحدى المجالات الساخنة في البحث العلمي العالمي.**ومع بدء السوق في دراسة كل صناعة من منظور ابتكار تطبيقات الذكاء الاصطناعي، فقد تعمق استكشافه للاختراقات التكنولوجية مثل الاندماج النووي، والرفع المغناطيسي، وأجهزة الكمبيوتر الكمومية، ونقل الطاقة تدريجياً. يرتبط التطبيق واسع النطاق لهذه التقنيات بشكل مباشر بتكنولوجيا الموصلية الفائقة والتحضير واسع النطاق للمواد الموصلة الفائقة.

إن صعوبة العثور على مواد فائقة التوصيل تشبه العثور على إبرة في كومة قش، لذلك يقول بعض الناس مازحين إن العثور على مواد فائقة التوصيل في درجة حرارة الغرفة يشبه "تحضير الإكسير". قال أحد الباحثين ذات مرة: "إن البحث عن مواد فائقة التوصيل جديدة ومختلفة أشبه بالطهي. في الماضي، لم يكن بوسعنا سوى الجمع بين خبرة العلماء، وخلط عناصر مختلفة، ثم اختبار قدرتها على التوصيل الفائق في ظروف مختلفة، لذا فإن الكفاءة منخفضة جدًا".

في السنوات الأخيرة، أدى التطور الناضج للذكاء الاصطناعي إلى ظهور حلول جديدة للبحث العلمي في هذا المجال. نوفمبر 2023**جوجل ديب مايند تطور أداة جديدة للذكاء الاصطناعي****GNoME، نجح في التنبؤ بـ 2.2 مليون بنية بلورية،**ومن بينهم 380 ألفًا يتمتعون بالخصائص الأكثر استقرارًا. تجدر الإشارة إلى أنه قبل استخدام اكتشاف المواد بمساعدة الذكاء الاصطناعي، كان عدد البلورات المستقرة التي اكتشفها البشر 48 ألفًا فقط.

على وجه التحديد، GNoME هو نموذج شبكة عصبية بيانية متطور يستخدم خطي أنابيب عاملين لاكتشاف المواد المستقرة. يعمل خط الأنابيب الهيكلي على إنشاء مرشحين لديهم أوجه تشابه مع الهياكل البلورية المعروفة، في حين يتخذ خط الأنابيب التركيبي نهجًا أكثر عشوائية استنادًا إلى الصيغ الكيميائية. ثم يستخدم GNoME حسابات نظرية الكثافة الوظيفية لتقييم مخرجات كل من سير العمل ويضيف هذه النتائج إلى قاعدة بيانات GNoME لإعلام الجولة التالية من التعلم النشط. وبناءً على ذلك، نجح GNoME في زيادة معدل اكتشاف التنبؤ باستقرار المواد من حوالي 50% إلى 80%.

ومن بين الهياكل المستقرة الجديدة التي تنبأ بها GNoME، هناك 736 منها تتوافق مع المواد المستقرة التي اكتشفها علماء آخرون بشكل مستقل، بما في ذلك الموصل الفائق المحتمل (Mo5GeB2 في الشكل أعلاه). إن الظهور السريع لهذه المواد الجديدة من شأنه أن يدفع حتماً إلى تغييرات في ابتكار الصناعة ويلعب دوراً في مجالات مثل الموصلات الفائقة وتطوير بطاريات المركبات الكهربائية وإمدادات الطاقة للحاسوب العملاق.

وفي ديسمبر من نفس العام،**كما أطلق فريق مايكروسوفت أيضًا الجيل التالي من أدوات الذكاء الاصطناعي التوليدية - MatterGen.**إنه يحسن بشكل كبير سرعة تصميم المواد بالخصائص المطلوبة ويطلق العنان للإمكانات الهائلة للذكاء الاصطناعي في تصميم المواد وفحصها.

من الصحيح أن البشر يقومون بإجراء أبحاث حول الموصلات الفائقة منذ 112 عامًا، لكننا لم نفهم بعد بشكل كامل الآليات المجهرية لمختلف الموصلات الفائقة. على الرغم من أن الذكاء الاصطناعي أصبح أكثر نضجًا في استكشاف الموصلات الفائقة، إلا أن التطبيق الحقيقي للموصلات الفائقة لا يمكن حله بين عشية وضحاها. ومع الاستكشاف المكثف للمواد الفائقة التوصيل باستخدام تقنية الذكاء الاصطناعي، ربما نحصل أخيرًا على الإجابة في المستقبل القريب.

وأخيرًا أوصي بنشاط!

امسح رمز الاستجابة السريعة للتسجيل في التجمع الخامس غير المتصل بالإنترنت لصالون التكنولوجيا "Meet AI Compiler"↓