
對於材料科學和電動車(Electric Vehicle)產業而言,這是一項具有里程碑意義的進展。新罕布夏大學(UNH)的研究人員利用人工智慧(Artificial Intelligence)識別出 25 種有前景的新型磁性材料,且這些材料不依賴稀土元素。這項發現詳述於最近發表在《自然通訊》(Nature Communications)的一項研究中,代表了在減少全球科技領域對不穩定供應鏈和昂貴採礦過程依賴方面邁出的重要一步。
數十年來,電動車馬達和風力發電機所必需的高性能永久磁鐵一直嚴重依賴釹和鏑等稀土元素。雖然這些材料效果顯著,但它們也帶來了高昂的環境和地緣政治代價。UNH 團隊在先進機器學習(Machine Learning)演算法的支持下取得的突破表明,永續能源未來的解決方案可能就隱藏在眼前——埋藏在數十年的科學文獻中。
這一成就的核心是創建了 東北材料資料庫(Northeast Materials Database),這是一個包含 67,573 種磁性化合物的大型開放獲取資源。與通常涉及實驗室反覆試驗合成的傳統實驗方法不同,UNH 研究人員採用了 AI 驅動的方法來「挖掘」現有的科學知識。
該團隊由博士生 Suman Itani 領導,開發了一套專門的 AI 系統,能夠閱讀和解讀數千篇科學論文。演算法提取了關鍵的實驗數據,隨後用於訓練電腦模型,以預測兩個至關重要的特性:材料是否具有磁性,以及最重要的居禮溫度(Curie temperature)——即材料失去其磁性能的閾值。
「我們正在應對材料科學中最艱難的挑戰之一——尋找永久磁鐵的永續替代品——我們樂觀地認為,我們的實驗資料庫和不斷發展的 AI 技術將使這一目標得以實現,」UNH 物理學教授兼該研究共同作者 Jiadong Zang 表示。
這種高通量篩選過程將海量資料集過濾至 25 種先前未被識別的化合物,這些化合物在高溫下仍能保持磁性。高溫穩定性是電動車馬達不可逾越的要求,因為馬達在運行過程中會產生大量熱能。
在當前全球經濟背景下,這項發現的意義不容小覷。稀土元素以難以提取和加工著稱,往往會導致嚴重的環境破壞。此外,供應鏈高度集中,為西方高科技產品製造商帶來了脆弱性。
通過識別可行的 不含稀土(rare-earth-free) 替代方案,UNH 的研究提供了一條通往以下目標的途徑:
下表總結了 UNH 研究的關鍵指標及其意義,突顯了 AI 驅動方法與傳統發現方法相比的效率。
| 指標 | 數值 | 策略意義 |
|---|---|---|
| 索引化合物總數 | 67,573 | 為未來的材料搜索建立全面的基準。 |
| 高潛力候選材料 | 25 | 開發新型耐熱永久磁鐵的直接線索。 |
| 發現方法 | AI 文本挖掘與建模 | 利用現有數據將發現時間從幾年縮短到幾個月。 |
| 關鍵績效指標 | 高居禮溫度 | 確保材料在電動車馬達的熱應力下保持功能。 |
UNH 團隊採用的方法凸顯了科學發現方式的典範轉移。材料發現的「傳統」路徑是線性的且勞動密集的:假設、合成、測試、重複。相比之下,這裡使用的 AI 方法起到了力量倍增器的作用,使研究人員能夠跳過數千個死胡同候選材料的初步合成階段,並將其實體實驗室工作僅集中在最有希望的線索上。
參與該項目的博士後研究員 Yibo Zhang 指出,本研究中利用的大型語言模型(Large Language Models)具有遠超磁性領域的潛在應用。該技術將複雜的科學圖像和數據轉換為結構化、可搜索格式的能力,可能會徹底改變我們保存和利用物理與化學領域歷史科學數據的方式。
對於汽車產業而言,這項研究正處於關鍵時刻。隨著汽車製造商競相推動車隊電氣化,隱約可見的稀土金屬短缺威脅著生產速度並推高價格。UNH 團隊確定的 25 種候選材料可作為下一代馬達開發的「候選名單」。
雖然這些材料仍需要嚴格的實體合成和測試以驗證其商業可行性,但東北材料資料庫的存在提供了一張昨日尚不存在的藍圖。製造商現在可以將研發精力優先集中在這些高機率化合物上,而不是盲目摸索。
此外,影響還擴及再生能源領域。同樣依賴大型永久磁鐵的風力發電機,也將從同樣的成本降低和效率提升中受益。
人工智慧(Artificial Intelligence) 與材料科學的融合,正被證明是現代創新最強大的驅動力之一。Suman Itani、Jiadong Zang 及其在新罕布夏大學同事的工作是一個強大的概念驗證:AI 不僅僅是生成新的文本或圖像;它還能挖掘出解決現實世界硬體問題的實體方案。
隨著美國能源部繼續支持此類計畫,我們可以預見理論潛力與工業應用之間的差距將會縮小。對於電動車領域而言,通往不含稀土未來的道路變得顯著清晰。下一階段將涉及把這些數位發現轉化為推動未來車輪前進的實體磁鐵。