L'Intelligence Artificielle dans la Découverte de Nouveaux Matériaux Magnétiques
L'Ames National Laboratory est à la pointe de la découverte de nouveaux matériaux magnétiques. Grâce à l'intelligence artificielle, les chercheurs ont développé une méthode innovante pour prédire et découvrir des matériaux magnétiques permanents sans éléments critiques.
Vers des Matériaux Magnétiques sans Éléments Critiques
La nécessité de matériaux magnétiques haute performance est vitale pour de nombreuses technologies actuelles, notamment les énergies éoliennes, le stockage de données, les véhicules électriques et la réfrigération magnétique. Cependant, les aimants actuels dépendent d'éléments rares comme le cobalt, le néodyme et le dysprosium. Ces matériaux, bien que performants, sont rares et en forte demande, d'où le besoin impératif de trouver des alternatives.
La Place du Machine Learning
Le machine learning, une branche de l'intelligence artificielle, se nourrit de vastes quantités de données pour affiner constamment ses prédictions grâce à des algorithmes de traitement. L'équipe de l'Ames Lab a utilisé cette approche, alimentant leur modèle avec des données expérimentales sur les températures de Curie (la température maximale à laquelle un matériau conserve son magnétisme) et des modélisations théoriques.
"Trouver des composés avec une température de Curie élevée est une première étape cruciale pour découvrir des matériaux pouvant conserver leurs propriétés magnétiques à des températures élevées", déclare Yaroslav Mudryk, scientifique à Ames Lab.
Le Chemin vers la Découverte
Plutôt que de se reposer uniquement sur des expérimentations coûteuses et chronophages, les chercheurs ont adopté une approche basée sur l'intelligence artificielle. Prashant Singh, membre de l'équipe de recherche, a précisé qu'une partie importante de ce travail consistait à développer un modèle de machine learning basé sur des principes scientifiques fondamentaux.
Pour tester leur modèle, ils se sont concentrés sur des composés à base de cérium, de zirconium et de fer, des éléments largement disponibles sur terre. Cette idée a été suggérée par Andriy Palasyuk.
"Le prochain super aimant doit non seulement être exceptionnel en termes de performances, mais également dépendre de composants abondants", souligne Palasyuk.
Un Avenir Magnétique Soutenu par l'IA
La réussite de ce modèle de machine learning dans la prédiction de la température de Curie de candidats matériels est une avancée majeure. Elle esquisse un futur où la conception de nouveaux aimants permanents pour les applications technologiques serait grandement accélérée.
Singh résume parfaitement la vision de l'équipe : "Nous écrivons un machine learning informé par la physique pour un avenir durable".
L'utilisation de l'intelligence artificielle dans la recherche et le développement de nouveaux matériaux pourrait bien redéfinir la façon dont les scientifiques abordent la découverte et l'innovation.