La découverte de nouveaux matériaux magnétiques sans éléments critiques pourrait révolutionner les technologies vertes telles que l’énergie éolienne ou les véhicules électriques. Des scientifiques du Laboratoire National d’Ames (USA) ont mis au point un modèle d’intelligence artificielle prometteur pour prédire la température de Curie de nouvelles combinaisons de matériaux.
Cette avancée ouvre la voie à la conception de nouveaux aimants permanents sans terres rares.
Un modèle d’IA pour prédire de nouveaux matériaux magnétiques
Les aimants de haute performance sont essentiels dans les technologies comme l’énergie éolienne, le stockage de données, les véhicules électriques ou la réfrigération magnétique. Ces aimants contiennent des matériaux critiques comme le cobalt et les terres rares telles que le néodyme et le dysprosium. Or, ces matériaux sont très demandés mais ont une disponibilité limitée. Cette situation pousse les chercheurs à trouver des moyens de concevoir de nouveaux matériaux magnétiques avec moins de matériaux critiques.
L’intelligence artificielle et l’apprentissage automatique (machine learning) en particulier, pilotés par des algorithmes informatiques, peuvent permettre d’accélérer la découverte de nouveaux matériaux. L’équipe a utilisé des données expérimentales sur les températures de Curie et une modélisation théorique pour entraîner l’algorithme d’IA. La température de Curie est la température maximale à laquelle un matériau conserve ses propriétés magnétiques.
« Trouver des composés avec une température de Curie élevée est une première étape importante dans la découverte de matériaux capables de conserver des propriétés magnétiques à haute température », a commenté Yaroslav Mudryk, scientifique au Laboratoire National d’Ames et leader de l’équipe de recherche. « Cet aspect est critique pour la conception non seulement d’aimants permanents mais aussi d’autres matériaux magnétiques fonctionnels. »
Selon Mudryk, découvrir de nouveaux matériaux est une activité difficile car la recherche est traditionnellement basée sur l’expérimentation, ce qui est coûteux et prend du temps. Cependant, l’utilisation d’une méthode d’IA peut faire gagner du temps et des ressources.
Prashant Singh, autre scientifique du Laboratoire National d’Ames a expliqué qu’une grande partie de cet effort a consisté à développer un modèle d’IA en utilisant les principes fondamentaux de la science. L’équipe a entraîné son modèle d’IA en utilisant des matériaux magnétiques connus expérimentalement. Les informations sur ces matériaux établissent une relation entre plusieurs caractéristiques de la structure électronique et atomique et la température de Curie. Ces schémas donnent à l’ordinateur une base pour trouver des matériaux candidats potentiels.
Pour tester le modèle, l’équipe a utilisé des composés à base de cérium, de zirconium et de fer. Cette idée a été proposée par Andriy Palasyuk, autre scientifique du Laboratoire National d’Ames et membre de l’équipe de recherche. Il souhaitait se concentrer sur des matériaux magnétiques inconnus à base d’éléments abondants sur Terre. « Le prochain super aimant ne doit pas seulement être superbe en termes de performances, mais aussi s’appuyer sur des composants nationaux abondants », a déclaré Palasyuk.
Palasyuk a travaillé avec Tyler Del Rose, également scientifique au Laboratoire National d’Ames et membre de l’équipe de recherche, pour synthétiser et caractériser les alliages. Ils ont constaté que le modèle d’IA réussissait à prédire avec succès la température de Curie des matériaux candidats.
Ce succès est une première étape importante dans la création d’un moyen à haut débit de concevoir de nouveaux aimants permanents pour les applications technologiques futures.
« Nous écrivons une intelligence artificielle informée par la physique pour un avenir durable », a déclaré Singh.
En synthèse
Cette recherche montre le potentiel de l’intelligence artificielle et de l’apprentissage automatique pour accélérer la découverte de nouveaux matériaux magnétiques sans terres rares. Le modèle développé par les scientifiques du Laboratoire National d’Ames permet de prédire avec succès la température de Curie, propriété clé pour la conception d’aimants permanents performants.
Pour une meilleure compréhension
Pourquoi de nouveaux matériaux magnétiques sont-ils nécessaires ?
Les aimants de haute performance actuels contiennent des matériaux critiques comme les terres rares, qui sont très demandés et ont une disponibilité limitée. Il est donc nécessaire de développer de nouveaux matériaux magnétiques utilisant des éléments plus abondants.
Comment l’IA peut-elle aider à cette découverte ?
L’IA et l’apprentissage automatique, en analysant rapidement un grand nombre de combinaisons, peuvent accélérer la découverte de nouveaux matériaux par rapport aux méthodes traditionnelles basées sur l’expérimentation.
Comment fonctionne le modèle développé ?
Le modèle a été entraîné sur des données expérimentales de matériaux magnétiques connus pour établir des relations entre leurs propriétés. Il peut ainsi prédire la température de Curie de nouvelles combinaisons.
Quels matériaux le modèle a-t-il permis de découvrir ?
Le modèle a prédit avec succès la température de Curie de nouveaux alliages à base de cérium, zirconium et fer, utilisant des éléments abondants.
Quelles sont les prochaines étapes ?
D’autres travaux sont nécessaires pour passer de la prédiction de la température de Curie à la conception concrète de nouveaux aimants permanents sans terres rares.
Quels sont les enjeux ?
Le développement de ces nouveaux matériaux magnétiques permettrait de pérenniser des technologies vertes comme l’éolien ou le véhicule électrique, dépendantes des aimants performants.
Légende illustration principale : aimant. Des chercheurs utilisent l’IA pour trouver de nouveaux matériaux magnétiques sans éléments critiques. Crédit : U.S. Department of Energy Ames National Laboratory
Cette recherche est analysée plus en détail dans « Physics-Informed Machine-Learning Prediction of Curie Temperatures and Its Promise for Guiding the Discovery of Functional Magnetic Materials », écrit par Prashant Singh, Tyler Del Rose, Andriy Palasyuk, et Yaroslav Mudryk, et publié dans Chemistry of Materials. https://doi.org/10.1021/acs.chemmater.3c00892
