艾姆斯国家实验室（Ames National Laboratory）的科学家们设计出一种机器学习模型，可以在不使用稀缺元素的情况下预测新型磁体材料。这种以材料居里温度为重点的创新方法为未来的技术应用提供了一条更具可持续性的道路。
高性能磁体的重要性
高性能磁体对于风能、数据存储、电动汽车和磁制冷等技术至关重要。这些磁体包含钴和稀土元素（如钕和镝）等关键材料。这些材料需求量大，但供应有限。这种情况促使研究人员想方设法设计出减少关键材料的新型磁性材料。
磁铁照片 资料来源：美国能源部埃姆斯国家实验室
机器学习的作用
机器学习（ML）是人工智能的一种形式。它由计算机算法驱动，利用数据和试错算法不断改进预测结果。研究小组利用居里温度的实验数据和理论建模来训练 ML 算法。居里温度是材料保持磁性的最高温度。
"找到居里温度高的化合物是发现能在高温下保持磁性的材料的重要第一步，"艾姆斯实验室科学家、研究团队高级负责人雅罗斯拉夫-穆德里克（Yaroslav Mudryk）说。"这方面不仅对永磁体的设计至关重要，而且对其他功能磁性材料的设计也至关重要。"
穆德里克认为，发现新材料是一项具有挑战性的活动，因为传统上是通过实验来寻找新材料，这既昂贵又耗时。然而，使用 ML 方法可以节省时间和资源。
艾姆斯实验室科学家、研究小组成员普拉桑特-辛格（Prashant Singh）解释说，这项工作的主要部分是利用基础科学开发一个 ML 模型。研究小组利用实验已知的磁性材料训练他们的 ML 模型。这些材料的相关信息确定了若干电子和原子结构特征与居里温度之间的关系。这些模式为计算机寻找潜在候选材料提供了基础。
模型测试和验证
为了验证模型，研究小组使用了基于铈、锆和铁的化合物。这个想法是由艾姆斯实验室的科学家、研究小组成员安德烈-帕拉修克（Andriy Palasyuk）提出的。他希望重点研究基于地球丰富元素的未知磁体材料。帕拉修克说："下一个超级磁铁不仅要性能卓越，还要依赖丰富的国产元件。"
帕拉修克与艾姆斯实验室的另一位科学家、研究小组成员泰勒-德尔-罗斯（Tyler Del Rose）合作，对合金进行了合成和表征。他们发现，ML 模型成功地预测了候选材料的居里温度。这一成功是为未来技术应用设计新型永磁体的高通量方法迈出的重要的第一步。
辛格说："我们正在为可持续发展的未来编写物理信息机器学习。"