세계 최강의 철기반 초전도 자석이 탄생했습니다! 과학자들은 기존 기록보다 2.7배 더 강한 자기장 강도를 가진 머신러닝 기반 새로운 연구 시스템을 설계했습니다.

초전도 현상은 1911년 발견된 이래로 항상 최첨단이고 높은 가치를 지니고 있어 수많은 학자들이 연구에 참여하고 있습니다. 초전도 현상은 특정 물질의 저항이 특정 온도 이하에서 갑자기 0으로 떨어지는 현상을 말합니다. 이는 재료 과학 분야에서 획기적인 진전일 뿐만 아니라 전력 전송, 자기 부상 운송, 의료 영상과 같은 분야의 응용 혁신에도 큰 자극을 가져다줍니다. 하지만,기존의 초전도체 물질은 초전도성을 달성하기 위해 종종 매우 낮은 온도를 필요로 합니다.이로 인해 실제 적용이 제한됩니다. 이러한 상황은 철 기반 고온 초전도체(IBS)가 등장하기 전까지 근본적으로 바뀌었습니다.

IBS는 상대적으로 높은 온도에서 초전도성을 달성할 수 있으며, 초전도 임계 온도(Tc)는 약 60K로, 기존 초전도 물질의 전이 온도보다 훨씬 높습니다. 이러한 특성은 초전도 응용 분야의 냉각 비용을 낮출 뿐만 아니라, 초전도 소재의 광범위한 사용에 대한 길을 열어줍니다. 또한 IBS의 높은 상부 임계 전계(Hc2) 특성은높은 자기장 환경에서도 초전도 상태를 유지할 수 있습니다.이는 입자 가속기 및 의료 영상과 같은 기술 개발에 새로운 가능성을 제공합니다.

최근, 야마모토 아키야스를 포함한 영국과 일본의 과학자들은 머신 러닝 기술을 사용하여 연구자 중심과 데이터 중심 방법을 결합한 연구 시스템을 설계했습니다.세계에서 가장 강한 철 기반 초전도 자석을 성공적으로 생산했습니다.최신 연구는 차세대 자기공명영상(MRI) 기술과 미래 전기 교통기술 개발을 촉진할 것으로 기대됩니다.

"데이터와 연구자 주도의 공정 설계를 통한 철 기반 초전도체를 이용한 초강력 영구 자석"이라는 제목의 관련 논문이 Nature의 자회사인 NPG Asia Materials에 게재되었습니다.

연구 하이라이트:

* 본 연구에서는 기존 기록보다 2.7배 이상 향상된 자기장 세기를 갖는 실용적인 철 기반 초전도 영구자석을 개발하는 데 성공했다.

* 연구자들의 전문성과 머신 러닝의 힘을 결합하여 성공적인 연구 파이프라인을 설계했습니다.

* 수치 시뮬레이션 결과는 실험 결과와 잘 일치하여 재료 내부에 균일한 초전류 분포 Jc가 존재함을 나타냅니다.

서류 주소:
https://doi.org/10.1038/s41427-024-00549-5
오픈소스 프로젝트인 "awesome-ai4s"는 100개가 넘는 AI4S 논문 해석을 모아 놓았으며, 방대한 데이터 세트와 도구도 제공합니다.

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

새로운 연구 시스템: 연구자 중심과 데이터 중심의 결합

본 연구에서는 BOXVIA 머신 러닝 시스템을 활용하여 연구자 중심 방법과 데이터 중심 방법을 결합하여 새로운 연구 시스템을 설계했습니다.

첫 번째,연구진은 과거의 연구 경험을 바탕으로 다양한 공정 매개변수와 초기 데이터를 제공하고, 이 데이터를 머신 러닝 알고리즘에 입력하여 뛰어난 성능을 낼 수 있는 합성 조건을 예측했습니다.

그 다음에,연구자들은 제안된 조건에 따라 샘플을 합성하고 데이터베이스를 업데이트할 수 있습니다. 머신 러닝 알고리즘에서 연구자들은 데이터 기반 루프에서 얻은 데이터부터 프로세스의 다음 단계에서 샘플을 합성하는 것까지 머신 러닝 및 설계 프로세스에 대한 전반적인 프레임워크를 제공했습니다. 이 "데이터 기반 루프"는 머신 러닝 데이터의 확장과 프로세스 설계의 효율성 개선을 위해 반복적으로 사용됩니다.

첫 번째 단계에서 연구진은 정량화 가능한 프로세스 매개변수를 체계적으로 조사하여 최종 성능에 큰 영향을 미치는 매개변수를 파악했습니다. 그런 다음 연구자들은 x(램프 속도), y(최대 온도), z(보류 시간)로 표시되는 세 가지 핵심 공정 매개변수에 초점을 맞추기로 했습니다. 이러한 매개변수는 스파크 플라즈마 소결 공정을 제어하며 고에너지 밀링으로 얻은 기계적으로 합금화된 (Ba0.6K0.4)Fe2As2 전구체 분말에 적용될 수 있습니다.

위의 과정을 통해,이 연구에서는 먼저 두 개의 더 큰 칼륨 도핑 Ba122(Ba0.6K0.4Fe2As2) 영구 자석 프로토타입인 Bulk1과 Bulk2를 합성했습니다.각각 데이터 기반과 연구자 기반에 해당하며, 각 샘플의 직경은 30mm이고 두께는 6mm입니다. Bulk1의 매개변수(x, y, z)는 (+49.8°C/min, 556°C 및 32.47min)으로 설정되고, Bulk2의 매개변수는 (+50°C/min, 600°C 및 5min)으로 설정됩니다.

샘플을 합성한 후,이 연구에서는 5K에서 자기장에 따른 임계 전류 밀도(Jc)의 의존성을 추가로 조사하고 Jc를 결정하여 최적의 매개변수를 식별했습니다. 연구에 따르면 두 방법의 최적화 작업 모두 Jc의 개선으로 이어졌지만 추세에는 일정한 차이가 있었습니다. 연구자 주도의 방법에서는 임계 전류 밀도와 자기장 세기 사이의 관계가 위 그림의 빨간색 선에서 볼 수 있듯이 급격히 증가하는 추세를 보이며, Jc 값은 0T에서 최대값에 도달합니다. 데이터 기반 방법은 위 그림의 파란색 선에서 볼 수 있듯이 자기장 강도의 점진적인 효과를 보여주며, 가장 높은 Jc 값은 3T에서 달성됩니다.

임계 전류 밀도를 최적화하기 위해이 연구에서는 기계 학습 알고리즘을 위한 베이지안 최적화를 위해 특별히 BOXVIA 소프트웨어 패키지를 개발하고 실험 매개변수와의 상관관계를 확립했습니다.즉, Jc =f(x,y,z)이고, 여기서 f는 하이퍼파라미터 블랙박스 함수입니다. f(x, y, z)와 그 변수 x, y, z가 연속이라고 가정하면, 이 과정에서 f(x, y, z)를 설명하기 위한 특정 방정식을 정의할 필요는 없습니다. 베이지안 최적화 알고리즘에서 함수 f는 예비 데이터 집합을 사용하여 모델링되고 가우시안 과정 회귀가 사용됩니다. 따라서 임계 전류 밀도 Jc는 가우스 분포로 설명됩니다.

로컬 최적화 측면에서,연구자 주도 방법(Bulk2)은 최대 소결 온도 x를 50°C 단위로 최적화하여 최적화된 x = 600°C를 얻었습니다. 이와 대조적으로 베이지안 최적화는 1°C 단위로 수행되었으며 결과는 556°C로 정제되었습니다.

연구진은 Bulk1과 Bulk2에 대한 나노구조와 구성 분석을 수행했습니다. 실험 결과, Bulk2의 미세구조(그림 a)는 수십 나노미터 크기의 비정질 상으로 구성된 고밀도 네트워크 구조를 나타냈습니다. 이러한 특징은 연구자들이 600°C에서 짧은 소결 시간을 사용하여 달성했습니다. 이와 대조적으로, 낮은 온도에서 장시간 소결을 포함하는 베이지안 최적화 절차를 통해 제조된 Bulk1(그림 1b)은 수십 나노미터 크기의 미세 입자로 분리되는 경향을 보였습니다.

Ba122 영구자석: 자기장 강도는 기존 보고보다 2.7배 더 높습니다.

Ba122 영구자석의 자기장과 온도에 대한 의존성을 더욱 자세히 분석하기 위해, 본 연구에서는 약 5K의 온도에서 냉장고를 사용하여 급속 자기장 냉각을 수행하였고, 7T의 자기장을 인가했습니다.

자기장 냉각 과정 후 기록될 수 있는 최대 자기장은 샘플 쌍의 중앙에 위치한 2.83T였습니다.이 측정값은 철 기반 초전도 자석이 이전에 달성한 최대 자기장 기록의 약 2.7배에 해당합니다.

5K까지 영점 냉각 후, 연구는 0T→7T→-7T→7T의 스캐닝 순서를 통해 수행되었습니다. 7T에서는 강한 자기 스파이크와 매우 비가역적인 자기장으로 인해 히스테리시스 루프가 뚜렷하게 증가합니다. 이는 수치모델의 결과와 잘 일치합니다. 동시에 연구에서는 다음과 같은 사실이 밝혀졌습니다.자화 및 자기유변 실험 결과와 모델 결과 사이에는 상당한 일관성이 있습니다.

필드 냉자화(FCM) 모델에서는 샘플의 중앙 영역에서 높은 자속 밀도가 관찰되고, 이와 함께 관련 전류 밀도가 감소합니다. 이와 대조적으로, 샘플의 가장자리로 이동하면 임계 전류 밀도 Jc(B)의 고유한 특성으로 인해 이러한 추세가 반대됩니다. 또한 Bulk1과 Bulk2 사이에 약간의 비대칭성이 관찰되었습니다. Bulk1의 중앙에서 전류 밀도는 Bulk2보다 더 크며, Bulk2의 국부적(수동) 자기장이 가장 높습니다. 그러나 가장자리에서는 Bulk2의 전류 밀도가 Bulk1보다 높은데, Bulk1의 국부적(수동) 자기장이 가장 낮기 때문입니다.

놀랍게도, 갇힌 자기장은 중심에서 2.0T, 표면에서 1.5T의 플럭스 밀도에서 거의 일정한 시간적 거동을 보이며, 3일이 지나도 거의 붕괴되지 않았습니다.샘플 물질은 매우 높은 자기장 안정성을 보입니다.관찰된 행동은 붕괴율 기준인 -0.1 ppm/h를 초과합니다. 이 값은 의료용 MRI 스캐너에서 핵심으로 간주되며 매우 정밀한 단면 이미지를 얻는 데 필수적입니다.

AI '연금술', 효율성 대폭 향상

지난 몇 년 동안,상온 초전도 현상은 늘 세계 과학 연구의 주요 관심 분야 중 하나였습니다.시장이 AI 응용 혁신의 관점에서 각 산업을 살펴보기 시작하면서 핵융합, 자기부상, 양자 컴퓨터, 전력 전송과 같은 기술적 혁신에 대한 탐색이 점차 심화되었습니다. 이러한 기술의 대규모 적용은 초전도 기술 및 초전도 물질의 대규모 제조와 직접적으로 관련됩니다.

초전도 물질을 찾는 것은 건초더미에서 바늘을 찾는 것과 같기 때문에, 어떤 사람들은 농담 삼아 실온 초전도체를 찾는 것은 "불로초를 만드는 것"과 같다고 말하기도 합니다. 한 연구원은 이렇게 말했습니다. "다양한 새로운 초전도 물질을 찾는 과정은 마치 요리하는 것과 같습니다. 과거에는 과학자들의 경험을 종합하고 다양한 원소를 혼합한 후, 다양한 조건에서 초전도성을 보이는지 시험하는 방법밖에 없었기 때문에 효율이 매우 낮았습니다."

최근 몇 년 동안 AI가 성숙하게 발전하면서 이 분야의 과학 연구에 새로운 솔루션이 도입되었습니다. 2023년 11월구글 딥마인드, 새로운 AI 도구 개발 GNoME은 220만 개의 결정 구조를 성공적으로 예측했습니다.그 중 38만개가 가장 안정적인 특성을 가지고 있다. AI 지원 물질 발견을 활용하기 전에는 인간이 발견한 안정적인 결정의 수가 불과 48,000개에 불과했다는 점에 유의해야 합니다.

구체적으로, GNoME은 두 개의 작동 파이프라인을 사용하여 안정적인 재료를 발견하는 최첨단 그래프 신경망 모델입니다. 구조적 파이프라인은 알려진 결정 구조와 유사한 후보 물질을 생성하는 반면, 구성적 파이프라인은 화학식에 기반한 보다 무작위적인 접근 방식을 취합니다. 그런 다음 GNoME은 밀도 함수 이론 계산을 사용하여 두 워크플로의 출력을 평가하고 이 결과를 GNoME 데이터베이스에 추가하여 다음 라운드의 능동 학습을 알립니다. 이를 바탕으로 GNoME은 물질 안정성 예측 발견률을 약 50%에서 80%로 성공적으로 증가시켰습니다.

GNoME이 예측한 새로운 안정적 구조 중 736개는 다른 과학자들이 독립적으로 발견한 안정적 물질과 일치하며, 여기에는 위 그림의 Mo5GeB2와 같은 잠재적 초전도체가 포함됩니다. 이러한 새로운 소재의 급속한 등장은 필연적으로 산업 혁신에 변화를 가져오고 초전도체, 전기 자동차 배터리 개발, 슈퍼컴퓨터 전원 공급과 같은 분야에서 중요한 역할을 하게 될 것입니다.

같은 해 12월,Microsoft 팀은 또한 차세대 생성 AI 도구인 MatterGen을 출시했습니다.이를 통해 필요한 속성을 갖춘 소재를 설계하는 속도가 크게 향상되고, 소재 설계 및 스크리닝 분야에서 AI의 엄청난 잠재력이 발휘됩니다.

인간이 초전도체 연구를 시작한 지 112년이 넘은 것은 사실이지만, 다양한 초전도체의 미시적인 작동 원리를 아직 완전히 이해하지 못했습니다. AI가 초전도체 탐구에 있어 점차 성숙해지고 있지만, 초전도체의 진정한 응용 분야를 하룻밤 사이에 해결할 수는 없습니다. AI 기술을 활용한 초전도체에 대한 광범위한 탐색을 통해, 가까운 미래에 마침내 답을 얻을 수 있을지도 모릅니다.

마지막으로, 활동을 추천해드릴게요!

QR코드를 스캔하여 "AI 컴파일러 만나기" 기술 살롱 5기 오프라인 모임에 등록하세요↓