Představte si svět, kde magnety fungují i v extrémních teplotách, pohánějí lepší motory nebo ukládají data efektivněji. To je cíl vědců, kteří používají umělou inteligenci (AI) k hledání nových magnetických materiálů. Ve studii z Nature Communications autoři jako Y. Zhang a kolegové vytvořili databázi NEMAD s 67 573 záznamy o magnetických materiálech. Tato databáze pochází z vědeckých článků z Elsevier a American Physical Society, kde AI analyzuje texty a extrahuje detaily jako chemické složení, Curieho teplotu nebo strukturu krystalu.
AI zde začíná velkými jazykovými modely (LLM), jako je GPT-4o. Tyto modely procházejí články v XML nebo PDF formátu, identifikují relevantní části a vytvářejí strukturovaná data. Model například rozdělí text na kousky po 500 tokenech, najde podobnosti pomocí nástroje FAISS a extrahuje informace o materiálech jako Fe3PdN nebo VFeCoGe. To umožňuje rychle shromáždit obrovské množství dat, které by ručně trvalo sbírat roky. Databáze NEMAD obsahuje prvky jako železo (Fe), kobalt (Co) nebo nikl (Ni) a zahrnuje feromagnetické i antiferomagnetické sloučeniny.
Trénování modelů AI pro predikce
S těmito daty vědci trénují strojové učení (machine learning) modely, aby předpovídaly vlastnosti materiálů. Používají Random Forest, XGBoost a Ensemble Neural Network. Tyto modely klasifikují materiály jako feromagnetické (FM), antiferomagnetické (AFM) nebo nemagnetické (NM) s přesností 90 %. Například XGBoost dosahuje přesnost 0,91 na testovacích datech, kde klíčové vlastnosti jako průměrná atomová hmotnost nebo podíl prvků s vysokou Curieho teplotou hrají hlavní roli.
Pro predikci Curieho teploty (bod, kdy materiál ztrácí magnetismus) modely pracují s vyváženými daty, aby se vyhnuly zkreslení směrem k nízkým teplotám. XGBoost dosahuje koeficientu determinace R² 0,87, průměrné absolutní chyby (MAE) 56 K a kořenové střední kvadratické chyby (RMSE) 97 K. To znamená, že model předpovídá teploty s chybou kolem 56 kelvinů. Podobně pro Néelovu teplotu (pro AFM materiály) je R² 0,83 a MAE 38 K. Modely berou v úvahu faktory jako podíl železa nebo průměrný magnetický moment, což pomáhá identifikovat slibné kandidáty.
25 nových objevů
Nejzajímavější část je, jak AI prohledává externí databáze jako Materials Project nebo Heusler sloučeniny, aby našla nové materiály. Modely identifikovaly 25 feromagnetických kandidátů s předpokládanou Curieho teplotou nad 500 K, například GaFe2Co4Si s predikcí kolem 1000 K nebo Fe3Rh s 645 K. Z toho 7 bylo později ověřeno v literatuře, jako Fe2CuGa s experimentální teplotou 798 K. Pro antiferomagnetické materiály našly 13 kandidátů s Néeliho teplotou nad 100 K, jako Sr2FeBrO3 s 284 K.
Tento přístup urychluje objevování, protože AI filtruje tisíce sloučenin a navrhuje ty s vysokým potenciálem. Například model XGBoost použil vyvážené datasety, kde rozdělil teploty do binů a podvzorkoval přebytečná data z nízkých teplot, což zlepšilo přesnost o 4 %. Vědci tak mohou zaměřit experimenty na slibné materiály, jako VFe2BO5 nebo MnZn3(CrSe2)8, místo náhodného testování.
Díky AI se objevování magnetických materiálů stává rychlejším a efektivnějším. Databáze NEMAD je dostupná na www.nemad.org, kde uživatelé mohou prozkoumávat záznamy. Modely nejen predikují, ale i odhalují vztahy, jako důležitost kyslíku v antiferomagnetech díky superexchange interakcím. Tento přístup lze rozšířit na jiné oblasti, jako supravodiče nebo fotovoltaiku, a pomáhá řešit problémy jako nedostatek vzácných zemin v magnetech.
