دانشمندان با ابداع یک مدل جدید مبتنی بر هوش مصنوعی، موفق شدند الگوهای پیچیده و نامرئی مغناطیسی در موتورهای الکتریکی را رمزگشایی کنند؛ دستاوردی که میتواند گامی بزرگ در جهت کاهش اتلاف انرژی و افزایش بازدهی این موتورها باشد.
به گزارش سرویس علم و فناوری، یکی از چالشهای اساسی در مسیر توسعه خودروهای الکتریکی، «اتلاف آهن» یا همان «اتلاف پسماند مغناطیسی» است. این پدیده زمانی رخ میدهد که میدانهای مغناطیسی درون موتور بهطور مداوم تغییر جهت میدهند و انرژی را بهصورت گرما در هسته موتور هدر میدهند. با افزایش دمای کاری موتور، این مشکل به دلیل اثرات حرارتی و کاهش خاصیت مغناطیسی مواد، پیچیدهتر نیز میشود.
در قلب این مشکل، ساختارهای بسیار ظریفی به نام «دامنههای مغناطیسی» قرار دارند. در برخی مواد مغناطیسی، این دامنهها ساختارهایی مارپیچ و هزارتومانند (Maze Domains) ایجاد میکنند که رفتار آنها با تغییر دما بهطور ناگهانی تغییر میکند. تا به امروز، درک سازوکار دقیق این تغییرات برای دانشمندان به دلیل پیچیدگیهای میکروسکوپی و حرارتی، دشوار بود.
تیمی از محققان به سرپرستی پروفسور «ماساتو کوسوگی» از دانشگاه علوم توکیو، با همکاری دانشگاههای تسوکوبا، اوکایاما و کیوتو، مدلی نوآورانه با نام «مدل گینزبورگ-لاندائوی توسعهیافته با ویژگی آنتروپی» (eX-GL) طراحی کردهاند.
این مدل با ترکیب دو فناوری پیشرفته، پرده از اسرار این هرجومرج مغناطیسی برمیدارد:
۱. همولوژی پایدار (Persistent Homology): روشی ریاضی برای شناسایی ویژگیهای توپولوژیکی در تصاویر میکروسکوپی از دامنههای مغناطیسی.
۲. یادگیری ماشین: برای تحلیل دادههای بهدستآمده و ترسیم یک «نقشه انرژی آزاد» دیجیتال که نشان میدهد چگونه ساختارهای مغناطیسی با تغییر انرژی، تکامل مییابند.
پژوهشگران با استفاده از این ابزار توانستند چهار مانع اصلی انرژی را که نقش کلیدی در تغییر جهت مغناطیسی (Magnetization Reversal) ایفا میکنند، شناسایی و تجسم کنند. نتایج نشان داد که پیچیدگی «دامنههای هزارتومانند» با افزایش طول دیوارههای آنها و تحت تأثیر تعامل میان آنتروپی و نیروهای تبادلی (Exchange Forces) بیشتر میشود.
پروفسور کوسوگی درباره این دستاورد گفت: «شبیهسازیهای متداول، واقعیت مواد را بیش از حد سادهسازی میکنند و آزمایشهای تجربی نیز بدون راهی برای تعیین رابطه علت و معلولی، تنها پیچیدگیها را نشان میدهند. چارچوب هوش مصنوعی توضیحپذیر ما (eX-GL)، این محدودیتها را برطرف کرده و بهصورت مکانیکی فرآیند معکوسسازی مغناطیسی وابسته به دما را توضیح میدهد.»
این دستاورد که در مجله “Scientific Reports” منتشر شده، نه تنها راه را برای طراحی موتورهای الکتریکی با بازدهی بالاتر هموار میکند، بلکه یک راهبرد کلی برای مطالعه سیستمهای پیچیده مغناطیسی در سایر مواد فیزیکی ارائه میدهد. با توجه به جهانی بودن مفاهیم ترمودینامیکی مورد استفاده در این مدل، دانشمندان معتقدند این فناوری میتواند در سیستمهای مختلف دیگری که با چالشهای مشابه مواجه هستند، به کار گرفته شود.
کد خبر ۲۲۰۰۵۰۳۰۵.۰۵۵
منبع: ساینس دیلی
