人工智能发现电动机内部看不见的磁乱流，正在白白耗电

磁性材料能量损耗的一个重要来源，是材料内部微小磁性区域——磁畴的行为。磁畴的排列方式和结构，会显著影响磁性材料受热后的反应，以及它在运行过程中损失多少能量。软磁材料是一类容易磁化也容易退磁的材料，其中一些含有非常复杂的磁结构，称为“磁迷宫畴”，因为它们在显微镜下呈曲折、像迷宫一样的形状。这种迷宫状结构会随着温度升高或降低而突然变化，从而影响材料里的能量损失。由于材料微观结构、温度效应和能量稳定性等多种因素相互影响，科学家此前很难彻底理解这些结构。为了更好地理解这一现象，日本理科学大学材料科学与技术系的Masato Kotsugi教授和Ken Masuzawa博士带领团队，与筑波大学、冈山大学和京都大学合作，开发出名为“熵特征扩展金兹堡-朗道模型”（eX-GL）的新方法，并用它研究稀土铁石榴石（RIG）中磁迷宫畴的能量景观。能量景观用来描述不同磁结构在能量上的高低关系，可帮助理解材料为何选择某种状态。Kotsugi教授解释说，传统模拟往往把真实材料过度简化，而实验虽然能展示复杂现象，却缺少明确方法量化因果关系；这套基于物理的可解释人工智能框架，正是为了从机理上解释温度如何影响磁化反转——也就是材料磁化方向发生变化的过程。相关成果发表在《科学报告》期刊上。为研究温度如何影响磁迷宫畴的去磁过程，研究人员在不同温度下拍摄了稀土铁石榴石样品中磁畴的显微图像，并用eX-GL模型进行分析。模型第一阶段使用“持续同调”（persistent homology）这一数学方法，从图像数据中识别拓扑特征；持续同调可以从数据中识别连通、孔洞等形状特征，帮助发现磁畴结构中不均匀的特点。第二阶段借助基于机器学习的模式识别，从持续同调结果中挑选最重要的特征，生成一个数字化自由能景观，用来追踪磁畴微结构如何随着能量变化而演化。第三阶段再通过数学分析，把微观磁畴结构与更大尺度的磁化反转过程联系起来。使用这种方法后，研究人员找到了一个名为PC1的主导特征，它成功捕捉了磁化反转过程。团队还把PC1与材料物理性质联系起来，直观显示出四个主要能垒，这些能垒会强烈影响磁化反转的动态过程。进一步分析这些能垒和相关微结构后，研究人员发现了不同能量形式如何影响磁化反转。他们测量了交换相互作用、退磁效应和熵之间的能量传递情况。团队还发现，随着畴壁长度增加，磁迷宫畴会变得更复杂，而这种复杂性主要来自熵与交换力之间的相互作用。这些结果帮助厘清了磁迷宫畴反转行为背后的物理机制。Kotsugi教授表示，eX-GL方法能自动解释复杂的磁化反转过程，并识别常规方法难以发现的隐藏机制；由于自由能是通用的热力学指标，这一模型还可以推广到其他具有类似特征的系统。总体而言，这项研究不仅揭示了磁迷宫畴的运作机制，也为研究磁性系统和其他相关物理材料中的复杂能量景观提供了更广泛的方法。这项研究获得日本学术振兴会科研经费A类资助（21H04656）和JST-CREST项目（JPMJCR21O1）支持，C. Mitsumata还得到筑波大学能源材料科学研究中心（TREMS）的资助。