AI opracowało bazę 67 573 materiałów magnetycznych proponując 25 nowych związków magnetycznych działających w wysokich temperaturach

Grupa badawcza z University of New Hampshire udostępniła fundamencie pracy opublikowanej w Nature Communications przeszukiwalną bazę danych obejmującą 67 573 materiałów magnetycznych. Projekt, nazwany Northeast Materials Database, łączy automatyczne wydobywanie informacji z literatury naukowej z modelami obliczeniowymi, które oceniają, czy materiał jest magnetyczny i w jakich warunkach temperaturowych zachowuje magnetyzm.

Wyróżnieniem publikacji jest identyfikacja 25 związków, wcześniej nieopisanych jako materiały magnetyczne, które wykazują stabilność magnetyczną w wysokich temperaturach. To istotna obserwacja, bo materiały o dużej temperaturze przejścia magnetycznego są kluczowe dla zastosowań przemysłowych — od silników elektrycznych po generatory energii.

„Przyspieszając odkrywanie zrównoważonych materiałów magnetycznych, możemy ograniczyć zależność od metali ziem rzadkich, obniżyć koszty pojazdów elektrycznych i systemów odnawialnych oraz wzmocnić krajowy przemysł” — mówi Suman Itani, doktorant fizyki i główny autor pracy. Rzeczywiście, większość stałych magnesów używanych dziś w przemyśle opiera się na pierwiastkach rzadkich, których pozyskanie jest kosztowne i geopolitycznie wrażliwe.

Metodologia zespołu łączy dwa elementy. Pierwszy to system AI zdolny do „czytania” artykułów — ekstrakcji danych eksperymentalnych zawartych w tekstach i obrazach. Drugi to modele obliczeniowe, które na podstawie zebranych danych oceniają obecność magnetyzmu i temperaturę, przy której materiał traci uporządkowanie magnetyczne. Skonsolidowane informacje trafiły do jednej przeszukiwalnej bazy, co znacząco ułatwia selekcję kandydatów do badań eksperymentalnych.

Autorzy, w tym profesor Jiadong Zang oraz współautor Yibo Zhang, podkreślają, że choć wiele potencjalnych magnetycznych związków jest znanych teoretycznie, przetestowanie wszystkich kombinacji pierwiastków w laboratorium byłoby niezwykle czasochłonne i kosztowne. AI skraca tę ścieżkę, zawężając listę obiecujących materiałów, które warto w kolejnym kroku sprawdzić doświadczalnie.

W publikacji badacze są wyważeni w ocenie osiągnięć. Baza nie jest jeszcze „gotowym” zamiennikiem dla magnesów ziem rzadkich — nie odkryto dotąd nowego, praktycznego stałego magnesu, który mógłby od razu zastąpić obecne rozwiązania. Zamiast tego dane i narzędzia przyspieszają proces poszukiwań i umożliwiają bardziej pragmatyczne kierowanie eksperymentami.

Ważną kwestią, o której warto pamiętać, jest jakość i heterogeniczność danych źródłowych. Ekstrakcja informacji z literatury natrafia na problemy związane z różnymi warunkami pomiarowymi, niekompletną dokumentacją czy sprzecznymi wynikami między grupami badawczymi. Modele AI mogą te problemy zredukować, ale nie zastąpić rygoru eksperymentu kontrolowanego.

Autorzy zauważają też potencjalne zastosowania poza samą bazą materiałową. Wykorzystywana technologia przetwarzania dokumentów i obrazów może służyć do aktualizacji zasobów bibliotek naukowych czy cyfryzacji archiwów, co ma wartość edukacyjną i infrastrukturalną dla środowiska akademickiego.

Podsumowując, projekt UNH to krok w kierunku bardziej wydajnego poszukiwania materiałów magnetycznych o mniejszym udziale metali ziem rzadkich. To narzędzie nie rozwiązuje wszystkich problemów — ostateczne potwierdzenie technicznych parametrów i przydatności nowych związków wymaga badań eksperymentalnych — ale znacząco zawęża i upraszcza listę kandydatów wartą dalszych inwestycji badawczych.