L'aimant Supraconducteur À Base De Fer Le Plus Puissant Est Né ! Des Scientifiques Conçoivent Un Nouveau Système De Recherche Basé Sur L'apprentissage Automatique, Avec Une Intensité De Champ Magnétique 2,7 Fois Supérieure Au Record Précédent

Depuis sa découverte en 1911, le phénomène de supraconductivité est toujours resté à la pointe et de grande valeur, attirant un grand nombre de chercheurs qui s'engagent dans ses recherches. Le phénomène de supraconductivité fait référence au fait que la résistance de certains matériaux chute soudainement à zéro en dessous d'une certaine température. Il s’agit non seulement d’une avancée révolutionnaire dans la science des matériaux, mais elle apporte également un élan considérable à l’innovation en matière d’application dans des domaines tels que la transmission de puissance, le transport par sustentation magnétique et l’imagerie médicale. Cependant,Les matériaux supraconducteurs traditionnels doivent souvent être soumis à des températures extrêmement basses pour atteindre la supraconductivité.Cela limite leurs applications pratiques. Cette situation a fondamentalement changé jusqu’à l’émergence des supraconducteurs à haute température à base de fer (IBS).

Les IBS peuvent atteindre la supraconductivité à des températures relativement élevées, avec une température critique supraconductrice (Tc) d'environ 60 K, ce qui est bien plus élevé que la température de transition des matériaux supraconducteurs traditionnels. Cette propriété réduit non seulement le coût de réfrigération des applications supraconductrices, mais ouvre également la voie à l’utilisation généralisée des matériaux supraconducteurs. De plus, le champ critique supérieur élevé (Hc2) caractéristique des SII,Il peut maintenir un état supraconducteur même dans un environnement à champ magnétique élevé.Cela ouvre de nouvelles possibilités pour le développement de technologies telles que les accélérateurs de particules et l’imagerie médicale.

Récemment, des scientifiques du Royaume-Uni et du Japon, dont Akiyasu Yamamoto, ont utilisé la technologie de l’apprentissage automatique pour concevoir un système de recherche qui combine des méthodes axées sur les chercheurs et des méthodes axées sur les données.Production réussie de l'aimant supraconducteur à base de fer le plus puissant au monde.Les dernières recherches devraient favoriser le développement de la technologie d’imagerie par résonance magnétique (IRM) de nouvelle génération et de la future technologie de transport électrifié.

L'article connexe, intitulé « Aimants permanents super résistants avec supraconducteurs à base de fer grâce à une conception de processus pilotée par les données et les chercheurs », a été publié dans la revue subsidiaire de Nature, NPG Asia Materials.

Points saillants de la recherche :

* La recherche a permis de développer avec succès un aimant permanent supraconducteur pratique à base de fer, avec une intensité de champ magnétique dépassant considérablement le record précédent de 2,7 fois

* Conception d'un pipeline de recherche performant en combinant l'expertise des chercheurs avec la puissance de l'apprentissage automatique

* Les résultats de la simulation numérique sont en bon accord avec les résultats expérimentaux, indiquant qu'il existe une distribution uniforme du supercourant Jc à l'intérieur du matériau

Adresse du document :
https://doi.org/10.1038/s41427-024-00549-5
Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit également des ensembles de données et des outils massifs :

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

Nouveau système de recherche : combiner une approche axée sur les chercheurs et axée sur les données

Cette étude a utilisé le système d’apprentissage automatique BOXVIA, combinant des méthodes axées sur les chercheurs et celles axées sur les données pour concevoir un nouveau système de recherche.

d'abord,Sur la base de leurs expériences de recherche passées, les chercheurs ont fourni divers paramètres de processus et données initiales, et ont saisi ces données dans un algorithme d’apprentissage automatique pour prédire les conditions de synthèse qui produiraient des performances supérieures.

Alors,Les chercheurs peuvent synthétiser des échantillons selon les conditions proposées et mettre à jour la base de données. Dans l’algorithme d’apprentissage automatique, les chercheurs ont fourni un cadre global pour le processus d’apprentissage automatique et de conception, depuis les données obtenues dans une boucle pilotée par les données jusqu’à la synthèse d’échantillons à l’étape suivante du processus. Cette « boucle pilotée par les données » est utilisée à plusieurs reprises pour aider à mettre à l’échelle les données d’apprentissage automatique et à améliorer l’efficacité de la conception des processus.

Dans la première phase, les chercheurs ont systématiquement passé au peigne fin les paramètres de processus quantifiables pour identifier ceux qui avaient un impact significatif sur les performances finales. Les chercheurs ont ensuite choisi de se concentrer sur trois paramètres clés du processus, désignés par x (taux de rampe), y (température maximale) et z (temps de maintien). Ces paramètres contrôlent le processus de frittage par plasma d'étincelles et peuvent être appliqués aux poudres précurseurs (Ba0,6K0,4)Fe2As2 alliées mécaniquement obtenues par broyage à haute énergie.

Grâce au processus ci-dessus,L'étude a d'abord synthétisé deux prototypes d'aimants permanents Ba122 (Ba0,6K0,4Fe2As2) dopés au potassium plus grands, Bulk1 et Bulk2.Correspondant respectivement aux données et aux chercheurs, chaque échantillon a un diamètre de 30 mm et une épaisseur de 6 mm. Les paramètres (x, y, z) de Bulk1 sont réglés à (+49,8°C/min, 556°C et 32,47min), et les paramètres de Bulk2 sont réglés à (+50°C/min, 600°C et 5min).

Après avoir synthétisé l'échantillon,L'étude a également examiné la dépendance de la densité de courant critique (Jc) sur le champ magnétique à 5K et a déterminé Jc, identifiant ainsi les paramètres optimaux. L’étude a montré que le travail d’optimisation des deux méthodes a conduit à l’amélioration de Jc, mais il y avait certaines différences dans les tendances. Selon la méthode pilotée par les chercheurs, la relation entre la densité de courant critique et l'intensité du champ magnétique montre une forte tendance à la hausse, comme le montre la ligne rouge dans la figure ci-dessus, et la valeur Jc atteint son maximum à 0T. La méthode basée sur les données montre un effet progressif de l'intensité du champ magnétique, comme le montre la ligne bleue dans la figure ci-dessus, avec la valeur Jc la plus élevée atteinte à 3T.

Afin d'optimiser la densité de courant critique,L'étude a développé le progiciel BOXVIA spécifiquement pour l'optimisation bayésienne des algorithmes d'apprentissage automatique et a établi des corrélations avec des paramètres expérimentaux.Autrement dit, Jc = f(x, y, z), où f est une fonction boîte noire hyperparamétrique. En supposant que f(x,y,z) et ses variables x, y et z sont continues, ce processus ne nécessite pas la définition d'une équation spécifique pour décrire f(x,y,z). Dans l'algorithme d'optimisation bayésienne, la fonction f est modélisée à l'aide de l'ensemble de données préliminaire et la régression du processus gaussien est utilisée. Par conséquent, la densité de courant critique Jc est décrite comme une distribution gaussienne.

En termes d'optimisation locale,La méthode pilotée par les chercheurs (Bulk2) a optimisé la température de frittage maximale x par incréments de 50°C, ce qui a donné la valeur optimisée x = 600°C. En revanche, l’optimisation bayésienne a été réalisée par incréments de 1 °C et a affiné le résultat à 556 °C.

Les chercheurs ont effectué une analyse de la nanostructure et de la composition de Bulk1 et Bulk2. Les résultats ont montré que la microstructure de Bulk2 (Figure a) présentait une structure de réseau dense composée de phases amorphes de plusieurs dizaines de nanomètres. Cette caractéristique a été obtenue par les chercheurs en utilisant un temps de frittage court à 600°C. En revanche, Bulk1 (Fig. 1b), préparé par une procédure d'optimisation bayésienne impliquant un frittage long à basse température, a montré une tendance à se séparer en particules fines de plusieurs dizaines de nanomètres.

Aimant permanent Ba122 : l'intensité du champ magnétique est 2,7 fois supérieure à celle rapportée précédemment

Afin d'analyser plus en détail la dépendance des aimants permanents Ba122 au champ magnétique et à la température, cette étude a effectué un refroidissement rapide du champ magnétique à l'aide d'un réfrigérateur à une température d'environ 5K et a appliqué un champ magnétique de 7T.

Après le processus de refroidissement du champ magnétique, le champ magnétique maximal qui a pu être enregistré était de 2,83 T, situé au centre de la paire d'échantillons.Cette mesure est environ 2,7 fois supérieure au record de champ magnétique maximal précédemment atteint par un aimant supraconducteur à base de fer.

Après refroidissement à champ nul à 5K, l'étude a été réalisée via une séquence de balayage de 0T→7T→-7T→7T. À 7 T, la boucle d'hystérésis montre une nette augmentation en raison du fort pic magnétique et du champ magnétique hautement irréversible. Ceci est en bon accord avec les résultats du modèle numérique. Dans le même temps, des études ont montré queIl existe une cohérence significative entre les résultats expérimentaux de magnétisation et de magnétorhéologie et les résultats du modèle.

Dans le modèle de magnétisation froide de champ (FCM), une densité de flux magnétique élevée est observée dans la région centrale de l'échantillon, accompagnée d'une diminution de la densité de courant associée. En revanche, en se déplaçant vers le bord de l'échantillon, cette tendance s'inverse en raison des propriétés intrinsèques de la densité de courant critique Jc(B). De plus, une légère asymétrie a été observée entre Bulk1 et Bulk2. La densité de courant est plus grande au centre de Bulk1 que dans Bulk2, où le champ magnétique local (passif) est le plus élevé. Cependant, à la périphérie, la densité de courant dans Bulk2 est plus élevée que celle dans Bulk1, où le champ magnétique local (passif) est le plus faible.

Étonnamment, le champ magnétique piégé présente un comportement temporel presque constant à une densité de flux de 2,0 T au centre et de 1,5 T à la surface, avec presque aucune décroissance même après trois jours.Le matériau de l’échantillon présente une stabilité de champ magnétique très élevée.Le comportement observé dépasse le taux de décroissance de référence de -0,1 ppm/h. Cette valeur est considérée comme essentielle dans les scanners IRM médicaux et est essentielle pour obtenir des images transversales extrêmement précises.

L’« alchimie » de l’IA améliore considérablement l’efficacité

Au cours des dernières années,La supraconductivité à température ambiante a toujours été l’un des domaines les plus en vogue de la recherche scientifique mondiale.Alors que le marché commence à examiner chaque industrie du point de vue de l’innovation en matière d’application de l’IA, son exploration des avancées technologiques telles que la fusion nucléaire, la lévitation magnétique, les ordinateurs quantiques et la transmission d’énergie s’est progressivement approfondie. L’application à grande échelle de ces technologies est directement liée à la technologie supraconductrice et à la préparation à grande échelle de matériaux supraconducteurs.

La difficulté de trouver des matériaux supraconducteurs est comparable à celle de trouver une aiguille dans une botte de foin. C'est pourquoi certaines personnes disent en plaisantant que trouver des supraconducteurs à température ambiante revient à « fabriquer des élixirs ». Un chercheur a dit un jour : « La recherche de nouveaux matériaux supraconducteurs s'apparente un peu à la cuisine. Auparavant, nous ne pouvions que combiner l'expérience des scientifiques, mélanger divers éléments, puis tester leur supraconductivité dans diverses conditions, ce qui rendait l'efficacité très faible. »

Ces dernières années, le développement mature de l’IA a apporté de nouvelles solutions à la recherche scientifique dans ce domaine. Novembre 2023Google DeepMind développe un nouvel outil d'IA GNoME a prédit avec succès 2,2 millions de structures cristallines,Parmi eux, 380 000 présentent les caractéristiques les plus stables. Il convient de noter qu’avant l’utilisation de la découverte de matériaux assistée par l’IA, le nombre de cristaux stables découverts par l’homme n’était que de 48 000.

Plus précisément, GNoME est un modèle de réseau neuronal graphique de pointe qui utilise deux pipelines de travail pour découvrir des matériaux stables. Le pipeline structurel crée des candidats présentant des similitudes avec des structures cristallines connues, tandis que le pipeline compositionnel adopte une approche plus aléatoire basée sur des formules chimiques. GNoME utilise ensuite des calculs de théorie fonctionnelle de la densité pour évaluer les résultats des deux flux de travail et ajoute ces résultats à la base de données GNoME pour informer le prochain cycle d'apprentissage actif. Sur cette base, GNoME a réussi à augmenter le taux de découverte de prédiction de la stabilité des matériaux d'environ 50% à 80%.

Parmi les nouvelles structures stables prédites par GNoME, 736 sont cohérentes avec des matériaux stables découverts indépendamment par d'autres scientifiques, y compris un supraconducteur potentiel (Mo5GeB2 dans la figure ci-dessus). L’émergence rapide de ces nouveaux matériaux entraînera inévitablement des changements dans l’innovation industrielle et jouera un rôle dans des domaines tels que les supraconducteurs, le développement de batteries de véhicules électriques et l’alimentation électrique des superordinateurs.

En décembre de la même année,L'équipe Microsoft a également lancé la prochaine génération d'outils d'IA générative : MatterGen.Il améliore considérablement la vitesse de conception des matériaux avec les propriétés requises et libère l'énorme potentiel de l'IA dans la conception et le criblage des matériaux.

Il est vrai que les humains mènent des recherches sur la supraconductivité depuis 112 ans, mais nous n’avons pas encore pleinement compris les mécanismes microscopiques de divers supraconducteurs. Bien que l’IA soit devenue de plus en plus mature dans l’exploration des supraconducteurs, la véritable application des supraconducteurs ne peut pas être résolue du jour au lendemain. Grâce à l’exploration approfondie des matériaux supraconducteurs à l’aide de la technologie de l’IA, nous aurons peut-être enfin la réponse dans un avenir proche.

Enfin, je vous recommande une activité !

Scannez le code QR pour vous inscrire au 5e rassemblement hors ligne du salon technologique « Meet AI Compiler »↓