ブログ

Aug 23, 2023

機械学習が新しいテクノロジーを生み出す

Machine Learning per apprendere nuove tecnologie Questa settimana ho partecipato all'IEEE 2023

新しいテクノロジーを学ぶための機械学習

今週、私は日本の仙台で開催された 2023 IEEE Intermag Conference に出席しました。 これは、IEEE Magnetics Society (私にとって初めての IEEE 協会であり、45 年間会員です) によって開催される会議です。 私はIEEEの次期会長として招待されました。 このカンファレンスには、物理​​的およびバーチャルの合計 1,700 名を超える参加者があり、そのうち 1,500 名近くが直接カンファレンスに参加しました。 これは、2020年に新型コロナウイルスのパンデミックが始まって以来、最大規模の磁気カンファレンスだと思います。

私は磁性材料研究への人工知能の応用に関する論文が掲載されたセッションに参加しました。 これは、人々が新しい AI ツールを効果的に使用して、物理世界とその現実世界への応用についての理解を促進し支援する方法について、科学および工学コミュニティで行われている議論の一例です。 これらには、より優れた磁気メモリデバイスの製造、より効率的なモーター、その他多くの実践的な活動が含まれます。

このセッションには、MIT の Mingda Li 氏も参加し、「データ フィッティングは、機械学習から恩恵を受けることができるさまざまな用途の 1 つです。もう 1 つは、隠されたデータの探索、または構造とプロパティの関係の構築に焦点を当てていることです。」と述べました。 この後者の用途については、このセッションの論文では大規模な材料データベースを利用しました。 Mingda はこの論文の中で 146,000 の材料データベースについて言及しています。

茨城県つくば市にある物質・材料研究機構の岩崎裕也氏は、機械学習と非経験計算を組み合わせた自律的な材料検索システムを使用して、Fe3Co（合金のピークの材料）よりも高い合金磁化を見つけることができる多元素組成を見つけました。スレーター・ポーリング曲線）。 下の画像は、9 週間にわたるこの材料探索の結果を示しており、モデル化された合金の固有磁化を増加させる方法が徐々に見つかっています。

材料の磁化を高めるための数週間にわたるシミュレーション

この研究は、少量の Ir と少量の Pt を添加すると、鉄コバルト合金の磁化が増加する可能性があることを示しました。 いくつかの物理的な鉄コバルトイリジウムおよび鉄コバルトプラチナ合金を作成して測定したところ、約 4% の Ir が実際に FeCo 合金の磁化を増加させることが判明しました。 同様に、FeCo 合金中の少量の Pt も磁化を増加させました。 Fe3Coよりも高い磁化を有する合金組成はこれまでに発見されているが、今回の研究はAIが新材料発見のツールとしてどのように利用できるかを示す例を示した。

マックス・プランク固体化学物理研究所およびスペイン、米国、中国のクラウディア・フェルザー氏らは、AI手法を利用していわゆるトポロジカル磁性材料の新材料を開発することについて話し合った。 これらは、固体物体のバルク、表面、エッジ上のキラル電子状態を利用します。 物理学では、カイラル現象とは、その鏡像と同一ではない現象を指します。 電子スピンは電子にキラリティーを与えます。 彼女は、非常に高い異常ホール効果と大きな異常最近接効果を持つ材料がどのように特定されるかを示しました。 この研究の興味深い要素は、磁気トポロジカル物質との軽物質相互作用における重力の相互作用に関連しています。 おそらくこれらの現象は、重力を検出し理解するための新しい方法を提供する可能性がありますか?

東北大学の白井正文氏らは、磁気トンネル接合（MTJ）のMgOトンネル層と相互作用する、いわゆるホイスラー合金の磁気特性に関する大規模なデータベースを使用した。 機械学習とこのデータベースを使用して、彼らは 4 つの成分の合金のキュリー温度 (磁化がゼロになる温度) と、いわゆる交換剛性 (交換剛性は、合金間のいわゆる交換相互作用の強さを表します) を予測することができました。隣接する磁気スピン）が MgO との界面に存在します。 MTJ は、ハードディスク ドライブや磁気テープ ヘッドの読み取りセンサーとして、また一般的に使用されている磁気センサーとして使用されていることに注意してください。

このセッションの最後の論文では、オーストリアと日本の共著者とともにアレクサンダー・コヴァックス氏が発表し、機械学習と永久磁性材料の結晶粒子の有限要素解析を組み合わせて使用​​して、より効率的なモーターを作成し、風車などで使用するレアアースの使用量を削減することについて話しました。 。彼らは、実験とシミュレーションからのデータの同化を通じて開発された機械学習モデルを使用して、磁石の化学組成と微細構造を最適化しました。 これらは、機械学習手法を使用して高性能の Nd 希薄磁石をどのように作成できるかを示しています。

機械学習は、デジタル ストレージに使用される磁性材料など、新しい材料の開発での利用が増えています。 さまざまなアプローチが可能ですが、既知の材料のデータベースを使用することで、これらのモデルは新しい材料の特性を予測し、人間よりもはるかに速く組み合わせを作成し、仮想的に評価することができます。 絶対確実というわけではありませんが、これらのアプローチは科学的および工学的な発見を加速することができます。