通过机器学习了解磁性材料的矫顽力

矫顽力是磁性材料的一种物理特性，对于优化各种应用(例如电动机)的能效非常重要。然而，很难使用当前可用的理论进行分析，因为它们无法解释材料的缺陷和其他类型的不均匀性。

为了解决这个问题，科学家们结合了数据科学、材料信息学和Ginzburg-Landau模型的扩展来解释磁性材料中的微观结构如何产生矫顽力。

软磁材料，即容易磁化和消磁的材料，在变压器、发电机和电动机中起着至关重要的作用。磁性材料在不改变其磁化强度的情况下抵抗外部磁场的能力被称为“矫顽力”，这是一种与能量损失密切相关的特性。在电动汽车等应用中，非常需要低矫顽力材料来实现更高的能源效率。

然而，与软磁材料能量损失相关的矫顽力和其他磁性现象源自非常复杂的相互作用。通常的宏观分析存在材料结构过于简单化的问题，它们通常需要额外的参数来调整理论以适应实验。

迄今为止，虽然矫顽力分析工具和框架广泛可用，但它们大多没有直接考虑材料中的缺陷和边界，而这是开发新应用的基础。

在此背景下，包括日本东京理科大学(TUS)的MasatoKotsugi教授在内的研究团队最近开发了一种新方法，结合数据科学、机器学习，将微观特征与宏观物理特性、矫顽力联系起来,以及GL模型的扩展。这项由TUS的AlexandreLiraFoggiatto博士领导的研究发表在CommunicationsPhysics上。

使用数据科学和材料信息学超越Ginzburg-Landau理论的限制：TUS科学家开发的一种新方法使研究人员能够毫不费力地分析微观结构对材料矫顽力的影响，矫顽力是一种与软磁材料开发相关的磁性用于高效电动机和其他设备。通过扩展传统的Ginzburg-Landau理论并利用数据科学技术，该方法可以更轻松地将微观结构特征与宏观材料特性联系起来。

该团队的目标是找到一种方法来自动分析磁性材料的矫顽力，同时考虑其微观结构特征。为此，他们首先以磁畴显微图像的形式收集模拟和真实磁性材料的数据。

这些图像经过预处理后，被用作称为主成分分析(PCA)的机器学习技术的输入，该技术通常用于分析大型数据集。通过PCA，该团队将这些预处理图像中最相关的信息(特征)浓缩到一个二维“特征空间”中。

这种方法与人工神经网络等其他机器学习技术相结合，使研究人员能够在特征空间内可视化材料中磁化反转的真实能量景观。

仔细比较实验图像和模拟图像的结果表明，所提出的方法是一种以有意义的方式映射材料最重要特征的便捷策略。

“使用机器学习描述能源格局显示了实验和模拟数据的良好结果。两者具有相似的形状以及相似的解释变量和它们之间的相关性，”Foggiatto博士评论道。

总的来说，这项研究展示了如何巧妙地利用材料信息学，不仅可以实现自动化，还可以阐明软磁材料矫顽力的物理起源。运气好的话，它将帮助材料科学家和物理学家推导出新的物理定律和模型，以超越最先进的模型和框架。

此外，这种策略的应用远远超出了矫顽力，正如Foggiatto博士强调的那样：“我们的方法可以扩展到其他系统，用于分析温度和应变/应力等特性，以及高速磁化反转过程的动力学”

有趣的是，这是MasatoKotsugi教授及其同事发表的与他们正在开发的扩展Landau自由能模型相关的第二项研究。他们希望，在不久的将来，他们的功能分析模型将有助于实现电动汽车电机的高效率，为更可持续的交通铺平道路。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！