Les scientifiques utilisent l'intelligence artificielle pour trouver de nouveaux matériaux magnétiques qui n'utilisent pas d'éléments critiques. Une équipe de recherche du laboratoire national Ames du ministère américain de l'Énergie a développé un nouveau modèle d'apprentissage automatique pour découvrir des matériaux à aimants permanents qui ne contiennent pas d'éléments critiques. Le modèle prédit la température de Curie de nouvelles combinaisons de matériaux. Il s’agit d’une première étape importante dans l’utilisation de l’intelligence artificielle pour prédire de nouveaux matériaux à aimants permanents. Le modèle complète la capacité récemment développée par l’équipe à découvrir des matériaux de terres rares thermodynamiquement stables.
Les scientifiques du laboratoire national Ames ont conçu un modèle d'apprentissage automatique capable de prédire de nouveaux matériaux magnétiques sans utiliser d'éléments rares. Cette approche innovante axée sur la température de Curie des matériaux offre une voie plus durable vers de futures applications technologiques.
L'importance des aimants haute performance

Les aimants hautes performances sont essentiels pour des technologies telles que l'énergie éolienne, le stockage de données, les véhicules électriques et la réfrigération magnétique. Ces aimants contiennent des matériaux clés tels que le cobalt et des éléments de terres rares tels que le néodyme et le dysprosium. Ces matériaux sont très demandés, mais l'offre est limitée. Cette situation a incité les chercheurs à rechercher des moyens de concevoir de nouveaux matériaux magnétiques réduisant la quantité de matériaux critiques.
Le rôle de l’apprentissage automatique
L'apprentissage automatique (ML) est une forme d'intelligence artificielle. Il est piloté par des algorithmes informatiques, utilisant des données et des algorithmes d’essais et d’erreurs pour améliorer continuellement les prévisions. L’équipe de recherche a utilisé des données expérimentales et une modélisation théorique des températures de Curie pour entraîner l’algorithme ML. La température de Curie est la température la plus élevée à laquelle un matériau reste magnétique.
"La découverte de composés présentant des températures de Curie élevées constitue une première étape importante dans la découverte de matériaux pouvant rester magnétiques à des températures élevées", a déclaré Yaroslav Mudryk, scientifique du laboratoire Ames et responsable principal de l'équipe de recherche. "Cet aspect est crucial non seulement pour la conception d'aimants permanents, mais également pour la conception d'autres matériaux magnétiques fonctionnels."
Mudrick estime que la découverte de nouveaux matériaux est une activité difficile, car la recherche de nouveaux matériaux se fait traditionnellement par le biais d'expériences, ce qui est coûteux et prend du temps. Cependant, l’utilisation de méthodes ML peut permettre d’économiser du temps et des ressources.

Test et validation de modèles
Pour valider le modèle, l'équipe a utilisé des composés à base de cérium, de zirconium et de fer. L'idée a été proposée par Andriy Palasyuk, scientifique du laboratoire Ames et membre de l'équipe de recherche. Il espère se concentrer sur des matériaux magnétiques inconnus basés sur des éléments abondants sur Terre. Palaschuk a déclaré : « Le prochain super-aimant doit non seulement avoir d'excellentes performances, mais également s'appuyer sur de nombreux composants nationaux.
Palaschuk a collaboré avec Tyler Del Rose, membre de l'équipe de recherche, un autre scientifique du laboratoire Ames, pour synthétiser et caractériser l'alliage. Ils ont constaté que le modèle ML prédisait avec succès la température de Curie des matériaux candidats. Ce succès constitue une première étape importante dans une approche à haut débit visant à concevoir de nouveaux aimants permanents pour de futures applications technologiques.
"Nous écrivons un apprentissage automatique basé sur la physique pour un avenir durable", a déclaré Singer.
