Blog

Apr 27, 2023

L'apprendimento automatico crea nuove tecnologie

Machine Learning to Learn New Technologies This week I was at the 2023 IEEE

Machine Learning per apprendere nuove tecnologie

Questa settimana sono stato alla conferenza IEEE Intermag 2023 a Sendai, in Giappone. Questa è una conferenza organizzata dalla IEEE Magnetics Society (la mia prima IEEE Society, membro da 45 anni). Sono stato invitato a partecipare in qualità di Presidente eletto dell'IEEE. Ci sono stati oltre 1.700 partecipanti fisici e virtuali in totale, con quasi 1.500 persone presenti alla conferenza di persona. Credo che questa sia la più grande conferenza magnetica dall’inizio della pandemia di Covid nel 2020.

Ho partecipato a una sessione che conteneva documenti sulle applicazioni dell'intelligenza artificiale per la ricerca sui materiali magnetici. Questo è un esempio delle discussioni in corso nella comunità scientifica e ingegneristica su come le persone possano utilizzare in modo efficace i nuovi strumenti di intelligenza artificiale per accelerare e assistere nella nostra comprensione del mondo fisico e delle sue applicazioni nel mondo reale. Questi includono la realizzazione di dispositivi di memoria magnetica migliori, motori più efficienti e molte altre attività pratiche.

Questa sessione includeva Mingda Li, del MIT, che ha affermato che "l'adattamento dei dati è uno dei molti altri usi che possono trarre vantaggio dall'apprendimento automatico. L'altro è l'attenzione all'esplorazione dei dati nascosti o alla costruzione di relazioni struttura-proprietà". Per quest'ultima applicazione, gli articoli di questa sessione hanno utilizzato ampi database di materiali. Mingda menziona un database di 146.000 materiali in questo articolo.

Y. Iwasaki dell'Istituto Nazionale per la Scienza dei Materiali, Tsukuba, Ibaraki, Giappone, ha utilizzato un sistema autonomo di ricerca dei materiali che combina l'apprendimento automatico e il calcolo ab initio per trovare composizioni multi-elementari in grado di trovare magnetizzazioni della lega superiori a Fe3Co (il materiale al picco di la curva Slater-Pauling). L'immagine sotto mostra i risultati di questa ricerca sui materiali nell'arco di un periodo di 9 settimane, trovando gradualmente modi per aumentare la magnetizzazione intrinseca della lega modellata.

Simulazione di più settimane per aumentare la magnetizzazione del materiale

Questa ricerca ha indicato che l'aggiunta di un po' di Ir e un po' di Pt potrebbe aumentare la magnetizzazione di una lega di ferro-cobalto. Quando sono stati prodotti e misurati alcuni materiali fisici di ferro cobalto iridio e ferro cobalto platino, si è scoperto che circa il 4% di Ir aumentava effettivamente la magnetizzazione della lega FeCo. Allo stesso modo, anche una piccola quantità di Pt in una lega FeCo aumenta la magnetizzazione. Sebbene in precedenza siano state trovate composizioni di leghe con magnetizzazione superiore a Fe3Co, questa indagine ha mostrato un esempio di come l’intelligenza artificiale potrebbe essere utilizzata come strumento per la scoperta di nuovi materiali.

Claudia Felser e colleghi, dell'Istituto Max Planck di fisica chimica dei solidi, nonché di Spagna, Stati Uniti e Cina, hanno parlato dell'utilizzo di metodi di intelligenza artificiale per sviluppare nuovi materiali per quelli che vengono chiamati materiali magnetici topologici. Questi sfruttano gli stati degli elettroni chirali sulla massa, sulle superfici e sui bordi degli oggetti solidi. In fisica, un fenomeno chirale è un fenomeno che non è identico alla sua immagine speculare. Gli spin degli elettroni conferiscono una chiralità a un elettrone. Ha mostrato come vengono identificati i materiali con un effetto Hall anomalo molto elevato e un grande effetto Nearst anomalo. Un elemento interessante di questo lavoro riguarda l'interazione della gravitazione nelle interazioni della materia leggera con i materiali topologici magnetici. Forse questi fenomeni potrebbero fornire nuovi modi per rilevare e comprendere la gravitazione?

Masafumi Shirai e colleghi dell'Università di Tohoku hanno utilizzato un ampio database di proprietà magnetiche per quelle che vengono chiamate leghe Heusler che interagiscono con uno strato tunnel di MgO per giunzioni tunnel magnetiche (MTJ). Utilizzando l'apprendimento automatico e questo database sono stati in grado di prevedere la temperatura di Curie delle leghe a quattro componenti (la temperatura alla quale la magnetizzazione va a zero) e quella che viene chiamata rigidità di scambio (la rigidità di scambio rappresenta la forza di quelle che vengono chiamate interazioni di scambio tra spin magnetici vicini) all'interfaccia con MgO. Si noti che gli MTJ vengono utilizzati come sensori di lettura nelle testine del disco rigido e del nastro magnetico e nei sensori magnetici comunemente utilizzati.