Der Stärkste Supraleitende Magnet Auf Eisenbasis Ist Geboren! Wissenschaftler Entwickeln Neues Forschungssystem Auf Basis Maschinellen Lernens Mit Einer 2,7-mal Höheren Magnetfeldstärke Als Der Bisherige Rekord

Seit seiner Entdeckung im Jahr 1911 ist das Phänomen der Supraleitung stets ein hochaktuelles und wertvolles Phänomen geblieben und hat zahlreiche Wissenschaftler dazu bewegt, sich mit seiner Erforschung zu beschäftigen. Unter dem Phänomen der Supraleitung versteht man die Tatsache, dass der Widerstand bestimmter Materialien unterhalb einer bestimmten Temperatur plötzlich auf Null sinkt. Dies stellt nicht nur einen revolutionären Durchbruch in der Materialwissenschaft dar, sondern verleiht auch der Anwendungsinnovation in Bereichen wie Energieübertragung, Magnetschwebebahn und medizinischer Bildgebung enorme Impulse. Jedoch,Herkömmliche supraleitende Materialien müssen oft extrem niedrigen Temperaturen ausgesetzt sein, um einen supraleitenden Zustand zu erreichen.Dies schränkt ihre praktische Anwendung ein. Diese Situation änderte sich grundlegend, bis Hochtemperatur-Supraleiter (IBS) auf Eisenbasis auf den Markt kamen.

IBSs können Supraleitung bei relativ hohen Temperaturen erreichen, mit einer supraleitenden kritischen Temperatur (Tc) von etwa 60 K, die viel höher ist als die Sprungtemperatur herkömmlicher supraleitender Materialien. Diese Eigenschaft reduziert nicht nur die Kühlkosten bei supraleitenden Anwendungen, sondern ebnet auch den Weg für die weitverbreitete Verwendung supraleitender Materialien. Darüber hinaus ist das für IBSs charakteristische hohe obere kritische Feld (Hc2)Es kann den supraleitenden Zustand auch in Umgebungen mit starkem Magnetfeld aufrechterhalten.Dies bietet neue Möglichkeiten für die Entwicklung von Technologien wie Teilchenbeschleunigern und medizinischer Bildgebung.

Kürzlich haben Wissenschaftler aus Großbritannien und Japan, darunter Akiyasu Yamamoto, mithilfe der Technologie des maschinellen Lernens ein Forschungssystem entwickelt, das forscher- und datengesteuerte Methoden kombiniert.Erfolgreiche Herstellung des weltweit stärksten bekannten supraleitenden Magneten auf Eisenbasis.Die neuesten Forschungsergebnisse dürften die Entwicklung der Magnetresonanztomographie (MRT)-Technologie der nächsten Generation und zukünftiger Technologien für den Elektrotransport vorantreiben.

Das zugehörige Papier mit dem Titel „Superstrength permanent magnets with iron-based supraconductors by data- and researcher-driven process design“ (Superstarke Permanentmagnete mit eisenbasierten Supraleitern durch daten- und forschergesteuertes Prozessdesign) wurde in der Nature-Tochterzeitschrift NPG Asia Materials veröffentlicht.

Forschungshighlights:

* Im Rahmen der Forschung gelang die Entwicklung eines praxistauglichen supraleitenden Permanentmagneten auf Eisenbasis, dessen magnetische Feldstärke den bisherigen Rekord um das 2,7-Fache übertrifft.

* Entwicklung einer erfolgreichen Forschungspipeline durch die Kombination der Fachkompetenz von Forschern mit der Leistungsfähigkeit des maschinellen Lernens

* Die Ergebnisse der numerischen Simulation stimmen gut mit den experimentellen Ergebnissen überein und deuten darauf hin, dass innerhalb des Materials eine gleichmäßige Suprastromverteilung Jc vorliegt

Papieradresse:
https://doi.org/10.1038/s41427-024-00549-5
Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt außerdem umfangreiche Datensätze und Tools bereit:

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

Neues Forschungssystem: Forscher- und datengetriebene Kombination

In dieser Studie wurde das maschinelle Lernsystem BOXVIA verwendet, das forschergesteuerte und datengesteuerte Methoden kombinierte, um ein neues Forschungssystem zu entwerfen.

Erste,Auf der Grundlage früherer Forschungserfahrungen stellten die Forscher verschiedene Prozessparameter und Ausgangsdaten bereit und gaben diese Daten in einen Algorithmus für maschinelles Lernen ein, um die Synthesebedingungen vorherzusagen, die zu einer besseren Leistung führen würden.

Dann,Forscher können Proben gemäß den vorgeschlagenen Bedingungen synthetisieren und die Datenbank aktualisieren. Mit dem Algorithmus für maschinelles Lernen haben die Forscher einen Gesamtrahmen für den Prozess des maschinellen Lernens und Designs geschaffen, von den in einer datengesteuerten Schleife gewonnenen Daten bis hin zur Synthese von Proben im nächsten Schritt des Prozesses. Diese „datengesteuerte Schleife“ wird wiederholt verwendet, um maschinelle Lerndaten zu skalieren und die Effizienz des Prozessdesigns zu verbessern.

In der ersten Phase durchkämmten die Forscher systematisch quantifizierbare Prozessparameter, um diejenigen zu identifizieren, die einen signifikanten Einfluss auf die endgültige Leistung hatten. Anschließend konzentrierten sich die Forscher auf drei wichtige Prozessparameter, die als x (Rampenrate), y (Maximaltemperatur) und z (Haltezeit) bezeichnet werden. Diese Parameter steuern den Funkenplasmasinterprozess und können auf mechanisch legierte (Ba0,6K0,4)Fe2As2-Vorläuferpulver angewendet werden, die durch Hochenergiemahlen gewonnen werden.

Durch den oben beschriebenen ProzessIm Rahmen der Studie wurden zunächst zwei größere, mit Kalium dotierte Ba122 (Ba0,6K0,4Fe2As2)-Permanentmagnet-Prototypen synthetisiert, Bulk1 und Bulk2.Entsprechend den daten- bzw. forschergesteuerten Daten hat jede Probe einen Durchmesser von 30 mm und eine Dicke von 6 mm. Die Parameter (x, y, z) von Bulk1 sind auf (+49,8 °C/min, 556 °C und 32,47 min) und die Parameter von Bulk2 auf (+50 °C/min, 600 °C und 5 min) eingestellt.

Nach der Synthese der ProbeDie Studie untersuchte außerdem die Abhängigkeit der kritischen Stromdichte (Jc) vom Magnetfeld bei 5 K und bestimmte Jc, wodurch die optimalen Parameter identifiziert wurden. Die Studie zeigte, dass die Optimierungsarbeit beider Methoden zu einer Verbesserung von Jc führte, es jedoch gewisse Unterschiede in den Trends gab. Bei der von Forschern betriebenen Methode zeigt die Beziehung zwischen kritischer Stromdichte und magnetischer Feldstärke einen stark ansteigenden Trend, wie durch die rote Linie in der obigen Abbildung dargestellt, und der Jc-Wert erreicht sein Maximum bei 0T. Die datengesteuerte Methode zeigt einen allmählichen Effekt der magnetischen Feldstärke, wie durch die blaue Linie in der Abbildung oben dargestellt, wobei der höchste Jc-Wert bei 3T erreicht wird.

Um die kritische Stromdichte zu optimieren,Im Rahmen der Studie wurde das Softwarepaket BOXVIA speziell für die Bayes'sche Optimierung von Algorithmen des maschinellen Lernens entwickelt und Korrelationen mit experimentellen Parametern hergestellt.Das heißt, Jc =f(x,y,z), wobei f eine Black-Box-Funktion mit Hyperparametern ist. Unter der Annahme, dass f(x,y,z) und seine Variablen x, y und z kontinuierlich sind, erfordert dieser Prozess nicht die Definition einer bestimmten Gleichung zur Beschreibung von f(x,y,z). Im Bayes'schen Optimierungsalgorithmus wird die Funktion f mithilfe des vorläufigen Datensatzes modelliert und eine Gauß'sche Prozessregression verwendet. Daher wird die kritische Stromdichte Jc als Gauß-Verteilung beschrieben.

Im Hinblick auf die lokale OptimierungDie vom Forscher geleitete Methode (Bulk2) optimierte die maximale Sintertemperatur x in Schritten von 50 °C, was zu einem optimierten x = 600 °C führte. Im Gegensatz dazu wurde die Bayes'sche Optimierung in 1 °C-Schritten durchgeführt und das Ergebnis auf 556 °C verfeinert.

Die Forscher führten eine Nanostruktur- und Zusammensetzungsanalyse an Bulk1 und Bulk2 durch. Die Ergebnisse zeigten, dass die Mikrostruktur von Bulk2 (Abbildung a) eine dichte Netzwerkstruktur aus amorphen Phasen mit einer Größe von mehreren zehn Nanometern aufwies. Erreicht wurde diese Eigenschaft von den Forschern durch eine kurze Sinterzeit bei 600 °C. Im Gegensatz dazu zeigte Bulk1 (Abb. 1b), das durch ein Bayes'sches Optimierungsverfahren mit langem Sintern bei niedriger Temperatur hergestellt wurde, die Tendenz zur Trennung in mehrere zehn Nanometer feine Partikel.

Ba122-Permanentmagnet: Magnetfeldstärke 2,7-mal höher als bisher berichtet

Um die Abhängigkeit von Ba122-Permanentmagneten von Magnetfeld und Temperatur weiter zu analysieren, wurde in dieser Studie eine schnelle Magnetfeldkühlung mithilfe eines Kühlschranks bei einer Temperatur von etwa 5 K durchgeführt und ein 7T-Magnetfeld angelegt.

Nach dem Magnetfeldkühlungsprozess betrug das maximale Magnetfeld, das aufgezeichnet werden konnte, 2,83 T und befand sich in der Mitte des Probenpaars.Dieser Messwert ist etwa 2,7-mal höher als der bisher von einem supraleitenden Magneten auf Eisenbasis erreichte maximale Magnetfeldrekord.

Nach der Nullfeldkühlung auf 5 K wurde die Studie mit einer Scansequenz von 0T→7T→-7T→7T durchgeführt. Bei 7 T zeigt die Hystereseschleife aufgrund der starken magnetischen Spitze und des stark irreversiblen Magnetfelds einen deutlichen Anstieg. Dies steht in guter Übereinstimmung mit den Ergebnissen des numerischen Modells. Gleichzeitig haben Studien gezeigt, dassEs besteht eine signifikante Übereinstimmung zwischen den experimentellen Ergebnissen zur Magnetisierung und Magnetorheologie und den Modellergebnissen.

Im Feldkaltmagnetisierungsmodell (FCM) wird im zentralen Bereich der Probe eine hohe magnetische Flussdichte beobachtet, begleitet von einer Abnahme der zugehörigen Stromdichte. Im Gegensatz dazu kehrt sich dieser Trend zum Rand der Probe aufgrund der intrinsischen Eigenschaften der kritischen Stromdichte Jc(B) um. Darüber hinaus wurde eine leichte Asymmetrie zwischen Bulk1 und Bulk2 beobachtet. Die Stromdichte ist im Zentrum von Bulk1 größer als in Bulk2, wo das lokale (passive) Magnetfeld am höchsten ist. Am Rand ist die Stromdichte in Bulk2 jedoch höher als in Bulk1, wo das lokale (passive) Magnetfeld am geringsten ist.

Überraschenderweise zeigt das gefangene Magnetfeld bei einer Flussdichte von 2,0 T im Zentrum und 1,5 T an der Oberfläche ein nahezu konstantes zeitliches Verhalten, wobei selbst nach drei Tagen fast kein Abfall zu beobachten ist.Das Probenmaterial weist eine sehr hohe Magnetfeldstabilität auf,Das beobachtete Verhalten überschreitet den Abklingraten-Benchmark von -0,1 ppm/h. Dieser Wert gilt als Schlüsselwert bei medizinischen MRT-Scannern und ist für die Erstellung äußerst präziser Querschnittsbilder unerlässlich.

KI-„Alchemie“ steigert die Effizienz erheblich

In den letzten JahrenSupraleitung bei Raumtemperatur war schon immer ein heißes Thema in der weltweiten wissenschaftlichen Forschung.Während der Markt beginnt, jede Branche aus der Perspektive der KI-Anwendungsinnovation zu untersuchen, hat sich seine Auseinandersetzung mit technologischen Durchbrüchen wie Kernfusion, Magnetschwebetechnik, Quantencomputern und Energieübertragung schrittweise vertieft. Die großtechnische Anwendung dieser Technologien steht in direktem Zusammenhang mit der Supraleitungstechnologie und der großtechnischen Herstellung supraleitender Materialien.

Die Suche nach supraleitenden Materialien ist so schwierig wie die Suche nach der Nadel im Heuhaufen. Manche Leute sagen deshalb scherzhaft, die Suche nach Supraleitern bei Raumtemperatur sei wie „die Herstellung von Elixieren“. Ein Forscher sagte einmal: „Bei der Suche nach verschiedenen neuen supraleitenden Materialien ist es tatsächlich ein bisschen wie Kochen. Früher konnten wir nur die Erfahrungen von Wissenschaftlern kombinieren, verschiedene Elemente miteinander vermischen und dann testen, ob sie unter verschiedenen Bedingungen supraleitend sind, daher ist die Effizienz sehr gering.“

In den letzten Jahren hat die ausgereifte Entwicklung der KI neue Lösungen für die wissenschaftliche Forschung auf diesem Gebiet gebracht. November 2023Google DeepMind entwickelt neues KI-Tool GNoME hat erfolgreich 2,2 Millionen Kristallstrukturen vorhergesagt,Unter ihnen weisen 380.000 die stabilsten Eigenschaften auf. Es ist zu beachten, dass vor dem Einsatz der KI-gestützten Materialentdeckung die Zahl der von Menschen entdeckten stabilen Kristalle lediglich 48.000 betrug.

Genauer gesagt handelt es sich bei GNoME um ein hochmodernes Graph-Neuralnetzwerkmodell, das zwei funktionierende Pipelines verwendet, um stabile Materialien zu entdecken. Die Strukturpipeline erstellt Kandidaten mit Ähnlichkeiten zu bekannten Kristallstrukturen, während die Kompositionspipeline einen eher zufälligen Ansatz auf der Grundlage chemischer Formeln verfolgt. GNoME verwendet dann Berechnungen der Dichtefunktionaltheorie, um die Ergebnisse beider Arbeitsabläufe auszuwerten und fügt diese Ergebnisse der GNoME-Datenbank hinzu, um die nächste Runde des aktiven Lernens zu informieren. Auf dieser Grundlage konnte GNoME die Entdeckungsrate der Materialstabilitätsvorhersage erfolgreich von etwa 50% auf 80% steigern.

Von den von GNoME vorhergesagten neuen stabilen Strukturen stimmen 736 mit stabilen Materialien überein, die von anderen Wissenschaftlern unabhängig voneinander entdeckt wurden, darunter ein potenzieller Supraleiter (Mo5GeB2 in der Abbildung oben). Das schnelle Aufkommen dieser neuen Materialien wird zwangsläufig zu Veränderungen in der Innovation der Branche führen und in Bereichen wie Supraleitern, der Entwicklung von Batterien für Elektrofahrzeuge und der Stromversorgung von Supercomputern eine Rolle spielen.

Im Dezember desselben JahresDas Microsoft-Team hat außerdem die nächste Generation generativer KI-Tools auf den Markt gebracht: MatterGen.Es beschleunigt die Entwicklung von Materialien mit den erforderlichen Eigenschaften erheblich und setzt das enorme Potenzial der KI im Materialdesign und -screening frei.

Zwar wird seit 112 Jahren an der Supraleitung geforscht, doch die mikroskopischen Mechanismen verschiedener Supraleiter sind noch nicht vollständig verstanden. Obwohl die KI bei der Erforschung von Supraleitern immer ausgereifter wird, lässt sich die tatsächliche Anwendung von Supraleitern nicht über Nacht lösen. Durch die umfassende Erforschung supraleitender Materialien mithilfe der KI-Technologie werden wir die Antwort vielleicht in naher Zukunft endlich erhalten.

Zum Schluss empfehle ich noch eine Aktivität!

Scannen Sie den QR-Code, um sich für das 5. Offline-Treffen des Technologie-Salons „Meet AI Compiler“ anzumelden ↓