Maqnit materiallarına böyük tələbat var. Onlar elektrikləşdirmənin asılı olduğu enerji saxlama yenilikləri və avtomatlaşdırmanı gücləndirən robot sistemləri üçün vacibdir. Onlar həmçinin istehlakçı elektronikasından tutmuş maqnit rezonans görüntüləmə (MRT) maşınlarına qədər daha çox tanış olan məhsulların içərisindədirlər.

Cari mənbələr və tədarük zəncirləri tələb artmaqda davam etdikcə ayaqlaşa bilməyəcək. Biz tez bir zamanda yeni maqnit materialları dizayn etməliyik .

Carnegie Mellon Universiteti, Lawrence Berkeley Milli Laboratoriyası və Fritz-Haber-Institut der Max-Planck-Gesellschaft arasında əməkdaşlıq potensial yeni materialların maşın öyrənmə modelləri ilə ekranlaşdırılması imkanlarını genişləndirir.

Maqnit xüsusiyyətlərinin öyrənilməsinin mürəkkəbliyi materialların kəşfi üçün böyük bir məhdudiyyət olmuşdur. Qeyri-maqnit materiallarda xassələr atomların hansı növündən və onların necə düzülməsindən asılıdır.

John Kitchin deyir: “Maqnit materialları ilə daha bir sərbəstlik dərəcəsi var”. “Maqnit olan hər bir atomda kiçik bir maqnit vektoru var və xassələri bu vektorların düzülüşündən asılıdır.”

Eyni atomlar eyni mövqelərdə olduqda belə, maddi xassələr maqnit vektorlarının böyüklüyündən və oriyentasiyasından asılı olaraq fərqlənə bilər.

Yeni materialların yoxlanılması üçün mövcud yüksək məhsuldarlıq üsulları maqnit xüsusiyyətlərini nəzərə almır. Sıxlıq funksional nəzəriyyəsi və onun üzərində öyrədilmiş daha sürətli maşın öyrənmə modelləri, məsələn, enerjini, qüvvələri və termodinamikanı hesablaya bilər. Onların spin sərbəstlik dərəcələri yoxdur. Maqnit xüsusiyyətlərini proqnozlaşdırmaq üçün lazım olan əlavə dəyişənlər dəsti olmadan, mövcud üsullar maqnit materiallarının dizaynı üçün qeyri-dəqiq, çox yavaş və ya çox bahalıdır.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=8188791252&adk=1645945215&adf=308666314&pi=t.ma~as.8188791252&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1752044458&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fphys.org%2Fnews%2F2025-07-parameter-machine-magnetic-properties-materials.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM4LjAuNzIwNC45NyIsbnVsbCwwLG51bGwsIjY0IixbWyJOb3QpQTtCcmFuZCIsIjguMC4wLjAiXSxbIkNocm9taXVtIiwiMTM4LjAuNzIwNC45NyJdLFsiR29vZ2xlIENocm9tZSIsIjEzOC4wLjcyMDQuOTciXV0sMF0.&dt=1752044458491&bpp=1&bdt=103&idt=31&shv=r20250702&mjsv=m202507020101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Df22668bce9793ae4%3AT%3D1735196613%3ART%3D1752044163%3AS%3DALNI_Mb4Xpwl1SO1AcvqroR6xccDm_sheQ&gpic=UID%3D00000f7c5320f40b%3AT%3D1735196613%3ART%3D1752044163%3AS%3DALNI_Mb1dz_DHiT2yDzXLMaB9CDkQl4XGg&eo_id_str=ID%3D1241933dda87baba%3AT%3D1750839581%3ART%3D1752044163%3AS%3DAA-AfjZwPuiSAour3k16ZA1JtXua&prev_fmts=0x0%2C336x280%2C336x280%2C1200x280&nras=1&correlator=647843436596&frm=20&pv=1&rplot=4&u_tz=240&u_his=4&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=2052&biw=1905&bih=945&scr_x=0&scr_y=0&eid=42531706%2C95353386%2C95362656%2C95365226%2C95365234%2C95365698%2C31093334%2C95359265%2C95365121%2C95365798&oid=2&pvsid=8283889556933909&tmod=1772096815&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=2&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=3&fsb=1&dtd=349

Tədqiqatçılar maqnit vektorlarının düzülməsini fərqləndirməklə materialların maqnit xassələrini proqnozlaşdıra bilən yeni maşın öyrənmə modeli hazırlayıblar. Carnegie Mellon-da kimya mühəndisliyi professoru Kitchin deyir: “Bu, spinin giriş parametri olmasına icazə vermək üçün açıq şəkildə sərbəstlik dərəcələrinə malik olan ilk modeldir”.

Proceedings of the National Academy of Sciences jurnalında nəşr olunan bu iş Lourens Berkli Milli Laboratoriyasında Wenbin Xu və Ph.D. Carnegie Mellonda kimya mühəndisliyi tələbələri.

Kitchin, Xu, Sanspeur və Kollurunun araşdırmaları həmçinin məlumatların keyfiyyətinin təhlili üçün yeni bir üsul ortaya qoydu. Onların hazırladıqları modellər yüz minlərlə, hətta milyonlarla hesablamadan ibarət verilənlər bazası üzərində öyrədilir. Hər hesablamanı yoxlamaq qeyri-mümkündür və bu məlumat dəstləri adətən bir neçə kənar nöqtələri ehtiva edir.

Kitchin deyir: “Bu model bizə birləşdirilməmiş məlumatların kiçik qruplarını kəşf etməyə imkan verdi”. “Əvvəllər heç kim bunu yoxlamağı bilmirdi.” Onlar verilənlər bazasında anomaliyaları tapa bildikdən sonra Kitchin, Xu, Sanspeur və Kolluru hesablamaları yenidən həyata keçirə və modellərini öyrətməyə davam etmək üçün daha yaxşı məlumat əldə edə bilərlər.

Modelin ən müasir proqnoz dəqiqliyi və məlumat səmərəliliyi ilə maqnit materiallarının layihələndirilməsi və katalizdə maqnitizmin təsirlərini başa düşmək indi daha məqsədəuyğundur. Hesablamalar ucuz həyata keçirilə bildiyi üçün tədqiqatçılar maqnit vektorlarının bütün müxtəlif tənzimləmələrini nümunə götürmək üçün müxtəlif optimallaşdırma alqoritmlərini sınaya və hansı tənzimləmənin ən aşağı enerjiyə malik olduğunu tez hesablaya bilərlər.

Gündəlik anlayışlar üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosda ən son yenilikləri kəşf edin . Pulsuz xəbər bülleteni üçün qeydiyyatdan keçin və mühüm nailiyyətlər, yeniliklər və tədqiqatlar haqqında gündəlik və ya həftəlik yeniləmələr əldə edin .

Model, məsələn, növbəti supermaqnit yaratmaq üçün mümkün əlavələri yoxlamaq üçün istifadə edilə bilər. O, hansı nadir torpaq elementlərinin bir maqnit sahəsini vurğuladığını və ya onu azaldacağını müəyyən edə bilər.

Model həmçinin katalizdə maqnitizmin rolunun daha dolğun tədqiqinə qapı açır. Kitchin deyir: “İnsanlar həndəsələri və ya adsorbsiya hadisələrini qaçırdılar, çünki katalizdə maqnitizmin təsirlərini tapmaq çətindir”. Hesablamalar baha başa gəlir və materialın səthi ilə onun kütləsi arasındakı simmetriya fərqləri çox vaxt nəzərə alınmır.

Kitchin izah edir: “Səthdə fırlanmaların daha çox təşkili normal kütlədə olduğundan daha çox mümkündür”. “Əgər səthin kütləyə bənzədiyini fərz etsəniz, ən aşağı enerji tənzimləməsini əldən verə bilərsiniz.”

Kitçin, Xu, Sanspeur və Kollurunun modeli bu digər maqnit vəziyyətlərində reaksiya yollarını tapmağa kömək edə bilər.

Ətraflı məlumat: Sanspeur, Rohan Yuri və başqaları, Maqnit sifarişini simulyasiya etmək üçün Spin məlumatlı universal qrafik neyron şəbəkələri, Milli Elmlər Akademiyasının əsərləri (2025). DOI: 10.1073/pnas.2422973122 , www.pnas.org/doi/10.1073/pnas.2422973122

Jurnal məlumatı: Milli Elmlər Akademiyasının Materialları 

Carnegie Mellon Universiteti Kimya Mühəndisliyi tərəfindən təmin edilmişdir