最強の鉄系超電導マグネット誕生！科学者が機械学習に基づいた新たな研究システムを設計、磁場強度が従来の記録を2.7倍上回る

超電導現象は1911年に発見されて以来、常に最先端の性質と高い価値を保っており、多くの学者が研究に熱中しています。超電導現象とは、特定の温度以下で特定の材料の抵抗が急激にゼロになることを指します。これは材料科学における革命的な進歩であるだけでなく、送電、磁気浮上輸送などの分野での応用革新に大きな推進力をもたらします。 、および医療画像。しかし、従来の超電導材料は、超電導状態に達するために非常に低い温度を必要とすることがよくあります。これにより、実際の用途が制限されます。この状況が根本的に変わったのは、鉄系高温超伝導体 (IBS) の出現でした。

IBS は比較的高温で超電導を実現でき、超電導臨界温度 (Tc) は約 60K に達する可能性があり、これは従来の超電導材料の転移温度よりもはるかに高くなります。この特性は、超電導用途の冷凍コストを削減するだけでなく、超電導材料の広範な使用への道を開きます。さらに、IBS の高い上部臨界磁場 (Hc2) 特性により、これにより、高磁場環境下でも超電導状態を維持できるようになります。これにより、粒子加速器、医療画像処理、その他の技術の開発に新たな可能性がもたらされます。

最近、英国と日本の科学者である山本明康氏らは、機械学習テクノロジーを使用して、研究者主導の手法とデータ主導の手法を組み合わせた研究システムを設計しました。世界最強とされる鉄系超電導マグネットの作製に成功。最新の研究は、次世代の磁気共鳴画像法（MRI）技術や将来の電化交通技術の開発を促進することが期待されています。

関連論文のタイトルは「データと研究者主導のプロセス設計による鉄ベース超伝導体を使用した超強力永久磁石」で、Nature のサブジャーナル NPG Asia Materials に掲載されました。

研究のハイライト:

※本研究により、従来の記録を2.7倍と大幅に上回る磁場強度を有する実用的な鉄系超電導永久磁石の開発に成功しました。

* 研究者の専門知識と機械学習の力を組み合わせて、成功する研究プロセスを設計

* 数値シミュレーション結果は実験結果とよく一致しており、材料内部に均一な超電流分布 Jc があることを示しています。

用紙のアドレス:
https://doi.org/10.1038/s41427-024-00549-5
オープンソース プロジェクト「awesome-ai4s」は、100 を超える AI4S 論文の解釈をまとめており、大規模なデータ セットとツールも提供しています。

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

新しい研究システム: 研究者主導とデータ主導の組み合わせ

この研究では、BOXVIA 機械学習システムを使用し、研究者主導の手法とデータ主導の手法を組み合わせて、新しい研究システムを設計します。

初め、過去の研究経験に基づいて、研究者らはさまざまなプロセスパラメータと初期データを提供し、これらのデータを機械学習アルゴリズムに入力して、優れたパフォーマンスの合成条件を予測しました。

続いて、研究者は、提案された条件に基づいてサンプルを合成し、データベースを更新できます。機械学習アルゴリズムでは、研究者は、データ駆動型ループで取得されたデータからプロセスの次のステップでのサンプルの合成に至るまで、機械学習および設計プロセスのための包括的なフレームワークを提供します。この「データ駆動型ループ」は、機械学習データを拡張し、プロセス設計の効率を向上させるために繰り返し使用されます。

最初のフェーズでは、研究者らは定量化可能なプロセスパラメータを体系的に調べて、最終パフォーマンスに重大な影響を与える要因を特定しました。 さらに、研究者らは、x (加熱温度と加熱速度)、y (最高温度)、z (保持時間) として示される 3 つの主要なプロセス パラメーターに焦点を当てることにしました。 これらのパラメータは、放電プラズマ焼結プロセスを制御し、高エネルギー粉砕によって得られる機械的に合金化された (Ba0.6K0.4) Fe2As2 前駆体粉末に適用できます。

以上のプロセスを経て、この研究では、最初に 2 つのより大きなカリウムドープ Ba122 (Ba0.6K0.4Fe2As2) 永久磁石のプロトタイプ Bulk1 と Bulk2 を合成しました。それぞれデータ駆動型と研究者駆動型のドライブに対応し、各サンプルの直径は 30 mm、厚さは 6 mm です。このうち、Bulk1のパラメータ(x、y、z)は(+49.8℃/min、556℃、32.47min)に設定され、Bulk2のパラメータは(+50℃/min、600℃)に設定される。 ℃、5分）。

サンプルを合成した後、この研究では、5K における臨界電流密度 (Jc) の磁場への依存性をさらに調査し、Jc を決定し、最適なパラメーターを特定しました。研究によると、両方の方法の最適化作業により Jc が増加しますが、傾向には一定の違いがあります。研究者主導の方法では、臨界電流密度と磁場強度の関係は、上図の赤線に示すように、0T で Jc 値が最大になります。データ駆動型の方法では、上図の青線で示すように、磁界強度の影響が徐々に現れ、3T で最高の Jc 値が達成されます。

臨界電流密度を最適化するには、この研究では、機械学習アルゴリズムのベイズ最適化に特化した BOXVIA ソフトウェア パッケージを開発し、実験パラメータとの相関関係を確立しました。つまり、Jc =f(x,y,z)、f はハイパーパラメータ ブラック ボックス関数であり、f(x,y,z) とその変数 x、y、z が連続であると仮定します。このプロセスには次の必要はありません。 f(x,y,z) を記述する特定の方程式を定義します。 ベイズ最適化アルゴリズムでは、関数 f は予備データセットを使用してモデル化され、ガウス過程回帰が使用されました。したがって、臨界電流密度 Jc はガウス分布で表されます。

局所的な最適化に関しては、研究者主導の方法 (Bulk2) は、最高焼結温度 x を 50°C ずつ最適化し、最適化された x=600°C になります。対照的に、ベイジアン最適化は 1℃ 刻みで実行され、精度は 556℃ となりました。

研究者らはBulk1とBulk2のナノ構造と組成分析を実施し、その結果、Bulk2の微細構造（上図a）が数十ナノメートルサイズのアモルファス相からなる緻密なネットワーク構造を示していることが判明した。この機能は、研究者らが 600°C で短い焼結時間を使用することによって達成されました。対照的に、ベイジアン最適化手順 (低温での長時間の焼結を含む) によって調製された Bulk1 (上の b) は、数十ナノメートルの微粒子に分離する傾向を示します。

Ba122 永久磁石: 磁場強度は以前に報告されているものより 2.7 倍高い

Ba122永久磁石の磁場と温度への依存性をさらに解析するために、この研究では約5Kの温度で冷凍機による急速磁場冷却を実施し、7T磁場を印加した。

磁場冷却プロセス後、記録できた最大磁場は、この一対のサンプルの中心に位置する 2.83T でした。この測定値は、鉄ベースの超電導磁石で以前に達成された最大磁場記録の約 2.7 倍です。

ゼロ磁場を 5k に冷却した後、0T→7T→-7T→7T のスキャン シーケンスを通じて検査をスキャンしました。 7T では、強力な磁気ネイルと高度に不可逆的な磁場により、ヒステリシス ループが大幅に増加します。これは数値モデルの結果と良く一致しています。同時に、研究によると、磁化および磁気レオロジーの実験結果とモデルの結果の間には顕著な一致があります。

磁界冷磁化 (FCM) モデルでは、サンプルの中央領域で高い磁束密度が観察され、それに伴う電流密度の減少が伴います。逆に、サンプルの端に近づくと、臨界電流密度 Jc(B) の固有の特性により、この傾向は逆転します。さらに、Bulk1 と Bulk2 の間にわずかな非対称性が観察されました。 Bulk1 の中心の電流密度は、局所 (受動的) 磁場が最も高い Bulk2 の電流密度よりも高くなります。ただし、Bulk2 の電流密度は、局所 (受動的) 磁場が最も低いエッジでの Bulk1 の電流密度よりも高くなります。

驚いたことに、捕獲された磁場は中心部2.0T、表面1.5Tの磁束密度でほぼ一定の時間挙動を示し、3日経過してもほとんど減衰しませんでした。サンプル材料は非常に高い磁場安定性を示し、観察された挙動は、減衰速度ベンチマークの -0.1 ppm/h を超えています。この値は医療用 MRI スキャナーでは重要であると考えられており、非常に正確な断面画像を取得するために不可欠です。

AI「錬金術」で効率大幅アップ

ここ数年、室温超伝導は、世界的な科学研究において常に最も注目されている分野の 1 つです。市場ではAI応用イノベーションの観点から各産業を検討し始めており、核融合、磁気浮上、量子コンピューター、送電などの技術ブレークスルーの模索が徐々に深まっており、これらの技術の大規模応用も密接に関係している。超電導技術と超電導技術への材料の大量調製に直接関係します。

超電導材料を見つけることは、干し草の山から針を見つけるのと同じくらい難しいため、室温超電導体を見つけることは「万能薬を作る」ようなものだと冗談を言う人もいます。ある研究者はかつて「さまざまな新しい超電導材料を探索するプロセスは、まさに料理に似ています。以前は、科学者の経験を組み合わせて、さまざまな元素を混ぜ合わせ、さまざまな条件下でテストすることしかできませんでした。」と述べました。超電導なので効率は非常に低いです。」

近年、AI の成熟した発展により、この分野の科学研究と探索に新しい問題解決のアイデアがもたらされています。 2023 年 11 月Google DeepMindが新しいAIツールを開発 GNoME は 220 万の結晶構造を予測することに成功しました。その中で最も安定した特性を持っているのが 38 万個です。ご存知のとおり、AI による物質発見が利用される前は、人間が発見した安定した結晶の数はわずか 48,000 個でした。

具体的には、GNoME は、安定したマテリアルを発見するために 2 つの動作パイプラインを使用する最先端のグラフ ニューラル ネットワーク モデルです。このうち、「構造パイプライン」は既知の結晶構造と類似性のある候補を作成し、「組成パイプライン」は化学式に基づいたより確率的なアプローチに従います。次に、GNoME は密度汎関数理論の計算を使用して 2 つのワークフローの出力を評価し、これらの結果を GNoME データベースに追加して、アクティブ ラーニングの次のラウンドに通知します。これに基づいて、GNoME は材料安定性予測の発見率を約 50% から 80% に向上させることに成功しました。

GNoME によって予測された新しい安定構造のうち、736 は潜在的な超伝導体 (上の写真の Mo5GeB2) を含む、他の科学者によって独自に発見された安定材料と一致しています。これらの新材料の急速な出現は、必然的に業界のイノベーションの変化を促進し、超電導体、電気自動車のバッテリーの研究開発、スーパーコンピュータの電源供給などで役割を果たすことになるでしょう。

同年12月には、Microsoft チームはまた、このトレンドを利用して、次世代の生成 AI ツールである MatterGen を立ち上げました。必要な特性を備えた材料の設計速度が大幅に向上し、材料設計とスクリーニングにおける AI の大きな可能性が解き放たれます。

確かに人類は112年間にわたって超電導の研究を続けてきましたが、さまざまな超電導体の微細なメカニズムはまだ完全に理解されていません。AIによる超電導体の探索は成熟してきましたが、超電導体の実際の応用は一朝一夕に解決できるものではありません。 AI技術を活用した超電導材料の広範な探索により、おそらく近い将来、最終的にその答えが得られるでしょう。

最後にオススメのアクティビティをご紹介します！

QRコードを読み取ってテクノロジーサロン「Meet AI Compiler」第5回オフライン集会に参加申し込み↓