電動車的爆炸性增長促使人們越來越多地尋找使電動馬達更加節能的方法。一個主要挑戰是鐵損，也稱為磁滯損耗，當馬達內部的磁場反覆反轉方向時會發生鐵損。該過程將能量以熱量的形式耗散在由軟磁性材料製成的馬達鐵芯中。由於電動機通常在高溫下運行，熱效應會使這些材料部分消磁，使能量損失問題變得更加困難。
這些效應背後的關鍵因素是磁域的行為，磁域是材料內的小磁性區域。這些磁疇的排列和結構極大地影響磁性材料對熱的反應方式以及它們在工作過程中損失的能量。
複雜磁迷宮的域
有些軟磁性材料具有非常複雜的磁性結構，稱為迷宮磁域，因其迷宮般的鋸齒狀外觀而得名。這些迷宮般的區域會隨著溫度的升高或降低而突然變化，影響能量在材料中的耗散方式。然而，科學家們一直難以完全理解這些結構，因為涉及許多相互作用的因素，包括材料的微觀結構、熱效應和能量穩定性。
為了更好地理解這種行為，日本東京理科大學 (TUS) 材料科學與技術系的研究人員 Masato Kotsugi 教授和 Ken Masuzawa 博士與筑波大學、岡山大學和京都大學的合作者合作開發了一種新模型，稱為熵特徵擴展 Ginzburg-Landau (eX-GL) 模型。團隊利用這種方法研究了稀土鐵石榴石 (RIG) 中迷宮般的區域的能量景觀。
Kotsugi 教授解釋說：“傳統的模擬過於簡化了真實材料，而實驗顯示出複雜性，但沒有明確的方法來量化因果關係。” “我們基於物理的可解釋人工智能框架解決了這些限制，旨在機械地解釋與溫度相關的磁化反轉過程。”
他們的研究結果發表在雜誌上 科學報告。
人工智慧和物理學揭示隱藏的磁性行為
為了研究溫度如何影響迷宮磁域的去磁，研究人員在不同溫度下拍攝了 RIG 樣品磁域的顯微影像。然後使用 eX-GL 模型分析這些影像。
此模型的第一階段使用持久同源性 (PH)，這是一種複雜的數學方法，可識別資料中的拓撲特徵。這使得團隊能夠偵測磁域影像中不規則的結構特徵。然後使用基於機器學習的模式識別來確定 PH 資料最重要的特徵，創建一個數位自由能景觀，控制磁性微結構如何隨著能量變化而演變。最後，數學分析將這些微觀磁疇結構與更大的磁化反轉過程連結起來。
使用這種方法，研究人員確定了一個稱為 PC1 的關鍵特徵，它成功捕捉了磁化反轉過程。將 PC1 與物理特性聯繫起來，研究小組觀察到對磁化反轉動力學有顯著影響的四個主要能壘。
磁性材料中隱藏的能量勢壘
對這些勢壘和相關微觀結構的詳細分析揭示了不同形式的能量如何影響磁化反轉。研究人員透過交換交互作用、去磁效應和熵測量了能量轉移。
他們也發現，隨著疇壁長度的增加，迷宮般的疇變得更加複雜。這種日益增加的複雜性是由熵和交換力之間的相互作用引起的。這些結果有助於闡明迷宮域逆轉行為背後的物理機制。
Kotsugi 教授表示：“我們的 eX-GL 方法有效地自動解釋了複雜的磁化反轉過程，並能夠識別傳統方法難以檢測的隱藏機制。” “此外，由於自由能是一種通用的熱力學度量，我們的模型可以擴展到具有類似特徵的其他系統。”
總的來說，這項研究不僅揭示了迷宮域的力學，而且還提出了研究磁性系統和其他相關物理材料中複雜能量景觀的更廣泛策略。
這項研究得到了日本學術振興協會 (KAKENHI) 科學研究補助金 (A) (21H04656) 的支持。 JST-CREST（撥款編號：JPMJCR21O1）提供了額外的支持。 C. Mitsumata 得到了筑波大學能源材料科學研究中心 (TREMS) 的支持。
