Apr 27, 2023
Machine Learning cria novas tecnologias
Machine Learning para Aprender Novas Tecnologias Esta semana estive no IEEE 2023
Aprendizado de máquina para aprender novas tecnologias
Esta semana estive na IEEE Intermag Conference 2023 em Sendai, Japão. Esta é uma conferência realizada pela IEEE Magnetics Society (minha primeira IEEE Society, membro por 45 anos). Fui convidado a participar como Presidente Eleito do IEEE. Houve mais de 1.700 participantes físicos e virtuais, com cerca de 1.500 pessoas na conferência pessoalmente. Acredito que esta seja a maior conferência magnética desde o início da pandemia de Covid em 2020.
Assisti a uma sessão que tinha trabalhos sobre aplicações de inteligência artificial para pesquisa de materiais magnéticos. Este é um exemplo de discussões acontecendo na comunidade científica e de engenharia sobre como as pessoas podem usar efetivamente novas ferramentas de IA para acelerar e auxiliar em nossa compreensão do mundo físico e de suas aplicações no mundo real. Isso inclui fazer melhores dispositivos de memória magnética, motores mais eficientes e muitas outras atividades práticas.
Esta sessão incluiu Mingda Li, do MIT, que disse que "o ajuste de dados é um entre muitos outros usos que podem ser beneficiados pelo aprendizado de máquina. O outro é o foco na exploração de dados ocultos ou na construção de relações estrutura-propriedade". Para esta última aplicação, os documentos desta sessão utilizaram grandes bases de dados de materiais. Mingda menciona um banco de dados de 146.000 materiais neste artigo.
Y. Iwasaki, do Instituto Nacional de Ciência de Materiais, Tsukuba, Ibaraki, Japão, usou um sistema autônomo de pesquisa de materiais que combina aprendizado de máquina e cálculo ab initio para encontrar composições multielementares que pudessem encontrar magnetizações de liga superiores a Fe3Co (o material no pico de a curva de Slater-Pauling). A imagem abaixo mostra os resultados dessa pesquisa de materiais durante um período de 9 semanas, encontrando gradualmente maneiras de aumentar a magnetização intrínseca da liga modelada.
Simulação de várias semanas para aumentar a magnetização do material
Esta pesquisa indicou que adicionar um pouco de Ir e um pouco de Pt poderia aumentar a magnetização de uma liga de ferro-cobalto. Quando alguns materiais físicos de ferro cobalto irídio e ferro cobalto platina foram feitos e medidos, descobriu-se que cerca de 4% de Ir realmente aumentava a magnetização da liga de FeCo. Da mesma forma, um pouco de Pt em uma liga de FeCo também aumentou a magnetização. Embora já tenham sido encontradas composições de ligas com magnetização superior a Fe3Co, esta investigação mostrou um exemplo de como a IA pode ser usada como uma ferramenta para descobertas de novos materiais.
Claudia Felser e colegas, do Instituto Max Planck de Física Química de Sólidos, bem como da Espanha, Estados Unidos e China, falaram sobre o uso de métodos de IA para desenvolver novos materiais para os chamados materiais magnéticos topológicos. Eles exploram estados de elétrons quirais no volume, superfícies e bordas de objetos sólidos. Na física, um fenômeno quiral é aquele que não é idêntico à sua imagem no espelho. Os spins do elétron conferem uma quiralidade a um elétron. Ela mostrou como materiais com efeito Hall anômalo muito alto e um grande efeito Nearst anômalo foram identificados. Um elemento interessante deste trabalho diz respeito à interação da gravitação em interações de matéria leve com materiais topológicos magnéticos. Talvez esses fenômenos possam fornecer novas maneiras de detectar e entender a gravitação?
Masafumi Shirai e associados da Universidade de Tohoku usaram um grande banco de dados de propriedades magnéticas para o que chamamos de ligas Heusler interagindo com uma camada de tunelamento de MgO para junções de túnel magnético (MTJs). Usando aprendizado de máquina e esse banco de dados, eles foram capazes de prever a temperatura Curie de ligas de quatro componentes (a temperatura na qual a magnetização vai a zero) e o que é chamado de rigidez de troca (a rigidez de troca representa a força do que chamamos de interações de troca entre spins magnéticos vizinhos) na interface com o MgO. Observe que os MTJs são usados como sensores de leitura em unidades de disco rígido e cabeçotes de fita magnética e em sensores magnéticos comumente usados.