Kestomagneetit pyörittävät sähköautojen moottoreita, tuuliturbiinien generaattoreita ja lukemattomia arjen laitteita. Vahvimmat niistä valmistetaan neodyymistä ja muista harvinaisista maametalleista, joiden louhinnan ja jalostuksen Kiina hallitsee lähes yksin. Yhdysvaltain energiaministeriön Ames National Laboratory kokeilee nyt, voisiko tekoäly auttaa irrottautumaan tästä riippuvuudesta.
Laboratorion tutkijat ovat valjastaneet DuctGPT-nimisen mallin suunnittelemaan magneetteja, jotka pärjäisivät ilman harvinaisia maametalleja. Erikoista on, että malli ei tyydy pelkkiin magneettisiin ominaisuuksiin: se punnitsee samalla tuotantokustannuksia ja sitä, kuinka hyvin raaka-aineita on ylipäätään saatavilla.
Fysiikka ohjaa mallia, ei pelkkä data
DuctGPT ei ole tavallinen kielimalli, joka arvaa vastauksia aiemmin nähdyn datan perusteella. Malli kehitettiin alun perin ennustamaan sitkeyttä tulenkestävissä fuusioseoksissa, ja siihen on kytketty aitoa fysiikkaa: tilatiheys, kimmovakiot ja valenssielektronien pitoisuus.
Näiden suureiden avulla malli osaa arvioida, käyttäytyisikö kuviteltu aineyhdistelmä kuin kunnon kestomagneetti jo ennen kuin sitä on valmistettu laboratoriossa. Sama fysiikkaan nojaava menetelmä on nyt suunnattu maametallivapaiden magneettien etsintään. Työ on osa energiaministeriön Genesis-hanketta, joka pyrkii nopeuttamaan materiaalitutkimusta tekoälyn avulla.
Suunnittelupolku, ei vielä valmis magneetti
Ames Lab julkaisi tekoälyvetoisen tiekartan maametallivapaiden magneettien suunnitteluun, ei valmista tuotetta. Kyse on järjestelmällisestä menetelmästä, joka seuloo lupaavia aineyhdistelmiä jatkotutkimukseen. Matka koelaboratoriosta tehtaaseen on yhä pitkä.
Miksi kustannukset ja saatavuus ratkaisevat
Uuden materiaalin keksiminen ei auta, jos sitä ei voi valmistaa järkevään hintaan. Moni paperilla toimiva magneetti kaatuu siihen, että sen ainesosat ovat harvinaisia, kalliita tai vaikeasti louhittavia. Siksi mallin kyky arvioida raaka-aineiden saatavuutta ja tuotantokustannuksia jo suunnitteluvaiheessa on olennaista.
Käytännössä tämä tarkoittaa, että malli suosii yhdistelmiä, jotka nojaavat yleisiin ja edullisiin alkuaineisiin, kuten rautaan tai typpeen. Näin tutkijat välttävät käyttämästä kuukausia sellaisen materiaalin parissa, joka olisi teknisesti hieno mutta kaupallisesti mahdoton.
