人工智能寻找新型无稀土磁铁 速度是人类的200倍

人工智能寻找新型无稀土磁铁速度是人类的200倍随着全球逐渐摒弃内燃机，转向电动汽车，对紧凑型大功率电机的需求也在迅速增长。目前，汽车行业中最受欢迎的是永磁电机，80%以上的现代电动汽车都使用这种电机。据MaterialsNexus预计，到2030年，仅电动汽车行业对永磁体的需求就将增长十倍。不仅是电动汽车和卡车。问题是，用于制造最强大磁铁和最高效、功率密度最大的电机的稀土材料（如钕和镝）需要破坏性开采和昂贵的能源密集型加工。中国拥有全球最大的电动汽车市场，已成为稀土开采和加工领域的领导者，从地下开采出的稀土占全球总量的70%，加工量接近90%。这使得中国对这些重要材料拥有类似垄断的控制权，从而使其他市场面临供应中断和价格波动的风险。人们开始寻找替代品，一些汽车制造商和供应商开始开发并采用无磁电机。包括特斯拉在内的其他汽车制造商正在追求不使用稀土材料的永磁设计。无稀土磁铁听起来确实是一种令人感兴趣的解决方案，但它们可能难以配制，而且功率不如传统稀土磁铁。NironMagnetics公司开发出了所谓的世界上第一种高性能无稀土磁体，它使用了大量可获得的铁和氮的混合物，但十多年来，该公司一直在研究和开发这种磁体，但仍未完全准备好进行大规模生产。MaterialsNexus相信自己拥有当代和未来的磁性初创企业所需要的识别和开发不含稀土的磁性材料的能力，而且通过用人工智能取代老式的试错法，它相信这些初创企业能够以比传统方法快数百倍的速度完成这项工作。该公司表示，其人工智能平台可以在几天或几周内识别出不含稀土的磁性材料，而过去则需要数年甚至数十年的时间。MaterialsNexus利用其人工智能平台确定了一种无稀土永磁材料，并将其命名为MagNex。在确定MagNex之前，人工智能分析了1亿多种无稀土材料成分，并将成本、供应链安全、性能和环境影响等变量考虑在内。在人工智能完成繁重的工作后，MaterialsNexus在谢菲尔德大学亨利-罗伊斯研究所的帮助下合成并测试了MagNex。在三个月的时间里，该公司完成了人工智能系统之前需要数年才能完成的工作。此外，MagNex的生产成本仅为现有稀土磁铁的20%，而材料碳排放量却减少了70%。谢菲尔德大学冶金与材料加工系教授伊恩-托德（IainTodd）说："我们与MaterialsNexus的首次互动就取得了如此积极的成果，这让我们感到非常兴奋。MaterialsNexus使用人工智能发现材料的方法与我们在谢菲尔德的亨利-罗伊斯研究所（HenryRoyceInstitute）拥有的制造先进合金的世界级设施相结合，以惊人的速度开发出了一种新型磁性材料"。虽然全新的无稀土磁铁为本周的公告增添了不少亮点，但这远非MaterialNexus的人工智能唯一可能的应用案例。该公司表示，人工智能将适用于各行各业，帮助识别和创造下一代尖端材料，推动新技术和二氧化碳减排。该公司计划与行业合作伙伴合作，加速发现可行、经济、可持续的下一代材料。MaterialsNexus首席执行官JonathanBean博士表示："我们的平台已经吸引了人们对各种产品的广泛兴趣，这些产品的应用领域包括半导体、催化剂和涂料。"我期待着看到它在支持市场需求，创造新型材料，帮助解决日益紧迫的供应链和环境问题方面所发挥的作用。"我们也是如此。我们还期待看到MagNex成为永磁电机的一种可行的磁铁替代品，无论是针对电动汽车还是其他应用，此类电机的需求量都将居高不下。...PC版：https://www.cnbeta.com.tw/articles/soft/1434464.htm手机版：https://m.cnbeta.com.tw/view/1434464.htm

科学家实现在磁铁内捕捉光线

科学家实现在磁铁内捕捉光线科学家们发现，在某些磁性材料中捕获光线可以显著增强其固有特性。他们的研究考察了一种能够容纳强大激子的特定层状磁体，使其能够独立捕获光线。这种材料对磁性发生的光学反应明显强于普通磁体。梅农和他的团队在8月16日发表在《自然》（Nature）杂志上的新文章中详细介绍了一种层状磁体的特性，这种磁体承载着强结合激子--具有特别强光学相互作用的准粒子。正因为如此，这种材料能够独自捕获光线。正如他们的实验所显示的那样，这种材料对磁现象的光学响应要比典型磁体的光学响应强几个数量级。被困在磁性晶体内部的光能强烈增强其磁光相互作用。资料来源：RezlindBushati这项研究的主要作者弗洛里安-迪恩伯格（FlorianDirnberger）博士说："由于光线在磁体内部来回反弹，相互作用得到了真正的增强。举个例子，当我们施加外部磁场时，光的近红外反射会发生很大变化，材料基本上会改变颜色。这是一种相当强烈的磁光响应。"梅农说："通常情况下，光对磁的反应不会如此强烈。这就是为什么基于磁光效应的技术应用往往需要实施灵敏的光学检测方案。"关于这些进展如何造福于普通人，研究报告的合著者全嘉敏指出："当今磁性材料的技术应用大多与磁电现象有关。鉴于磁和光之间如此强烈的相互作用，我们现在可以希望有一天能制造出磁性激光器，并可能重新考虑光控磁存储的旧概念。"...PC版：https://www.cnbeta.com.tw/articles/soft/1378245.htm手机版：https://m.cnbeta.com.tw/view/1378245.htm

DeepMind人工智能工具将材料科学带入下一个800年

DeepMind人工智能工具将材料科学带入下一个800年发现具有非同寻常特性的新材料可以让技术的雪球滚动起来，最终推动社会向新的方向发展--但到目前为止，这是一个艰苦缓慢的过程，需要进行大量的试错实验。例如，无机晶体材料在首次合成时可能会显示出巨大的潜力，但如果晶体不能保持稳定，所有这些潜力都将化为乌有；如果发现一种新晶体可以提高电池或电子产品的性能，但它却会崩解和降解，那就没有任何好处了。而这正是DeepMind的"材料探索图网络"（GraphNetworksforMaterialsExploration，GNoME）深度学习工具刚刚发布的消息有望带来巨大变革的地方。GNoME人工智能识别出的稳定无机晶格结构GNoME工具已经发现了不少于220万种新的无机晶体，并将其中38万种晶体鉴定为最稳定的晶体，为研究人员提供了一份经过预先筛选的新材料清单，以便他们去合成新材料，进行实验研究。其中约736种材料已经在世界各地的研究实验室中独立完成。"在这些候选材料中，有可能开发出未来变革性技术的材料，从为超级计算机提供动力的超导体，到提高电动汽车效率的下一代电池，不一而足。"Google博客这样叙述。DeepMind团队介绍说："在这些新发现中有5.2万种与石墨烯类似的新型层状化合物，它们有可能随着超导体的开发而彻底改变电子技术，在此之前，已经发现了大约1000种此类材料。我们还发现了528种潜在的锂离子导体，是之前研究的25倍，可用于提高充电电池的性能。"Google正在将GNoME的所有发现和预测提供给"下一代材料项目"（NextGenMaterialsProject），DeepMind在该项目中为人工智能提供了大量的训练材料。虽然其他人工智能系统在发现新晶体方面做了大量工作，但GNoME系统现在已经以前所未有的规模完成了这项工作，并以前所未有的准确性预测出哪些晶体结构将足够稳定，值得进行实验。最终的结果是，浪费的时间将大大减少；研究人员将能够把精力集中在新材料结构的巨大宝库上，而不会因为晶体不稳定而走入许多死胡同。自主实验室技术有望进一步加速材料科学的发展图/伯克利实验室更重要的是，DeepMind团队还与伯克利实验室合作，创建并演示了一个能够自主合成这些新晶体的机器人实验室。在今天发表的一篇论文中，团队报告说，机器人实验室已经成功合成了41种这种新材料--进一步加速合成的潜力令人瞩目。这两个项目可能会开启数不清的技术发展之路--它们鲜明地表明，人工智能系统已经开始在生活的几乎每一个领域引发剧烈动荡。晶体发现论文和自主实验室论文在《自然》杂志上公开发表。...PC版：https://www.cnbeta.com.tw/articles/soft/1400815.htm手机版：https://m.cnbeta.com.tw/view/1400815.htm

科学家发现一种前所未见的新型磁性Altermagnetism

科学家发现一种前所未见的新型磁性Altermagnetism一名PSI科学家与用于确认发现地磁的仪器说到磁铁，人们通常会想到容易粘在冰箱上的东西，科学上称之为铁磁体。但在大约一个世纪前，人类发现了另一种磁性材料家族，它们不具有这种特性，并将其称为反铁磁体。材料行为的差异可归结为这些材料中磁矩（也称为电子自旋）的自发排列。电子自旋与铁磁体的方向相同，因此在靠近金属表面时会产生磁性。在反铁磁体中，电子自旋方向相反，产生的磁性被抵消。这导致它们无法粘在冰箱上。在变磁性中，电子自旋是交替的，不会产生净宏观磁性。但是，电子能带结构具有很强的自旋极化，可以在材料的能带中翻转。这就是这种材料被称为"变磁体"的原因。2019年，中国科学院物理研究所研究员托马斯-荣格沃思（TomasJungwirth）发现了一类磁性材料，其电子自旋与铁磁体或反铁磁体的电子自旋不一致。2022年，Jungwirth与美因茨大学的研究人员一起，提出了存在一类新磁体的理论。在研究过程中，研究小组发现了200多种材料，从绝缘体到半导体，甚至超导体，都可能是改变磁体的候选材料。为了证实这些材料中存在独特的自旋对称性，研究人员与瑞士的SLS公司合作。他们使用自旋和角度分辨光发射光谱来观察材料中的电子结构。瑞士SLS的表面/界面光谱（SIS）光束线仪器他们对碲化锰进行了测试，这种双元素材料通常被归类为反铁磁体。然而，这种材料显示出电子带分裂成两种不同的状态，很像铁磁体。这证实了这种材料确实是一种改变磁体。第三种磁性材料的发现有助于利用自旋电子学提供下一代磁性存储器。在传统电子学中，人们利用电子的电荷。然而，在自旋电子学中，电子的自旋状态也被用来存储信息。新兴的计算领域一直在使用铁磁体来开发此类设备。然而，这些材料所显示的宏观磁性令人担忧，因为它可能会促进比特之间的串扰。由于改磁体不显示净磁性，但具有很强的自旋效应，因此可以作为自旋电子学的理想候选材料。"超电磁实际上并不是什么非常复杂的东西。它是一种完全基本的东西，几十年来就在我们眼前，而我们却没有注意到它，"荣格沃思在一份新闻稿中说。"它存在于人们抽屉里的许多晶体中。从这个意义上说，现在我们将它公之于众，世界各地的许多人将能够研究它，从而产生广泛的影响。研究成果发表在今天的《自然》杂志上。...PC版：https://www.cnbeta.com.tw/articles/soft/1418703.htm手机版：https://m.cnbeta.com.tw/view/1418703.htm

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现为了教会机器学习模型预测分子的生物或机械特性，研究人员必须向其展示数百万个标记的分子结构--这一过程被称为训练。由于发现分子所需的费用以及对数百万个结构进行手工标注所面临的挑战，通常很难获得大型训练数据集，这限制了机器学习方法的有效性。相比之下，麻省理工学院研究人员创建的系统只需少量数据就能有效预测分子特性。他们的系统从根本上理解了决定构件如何结合产生有效分子的规则。这些规则捕捉分子结构之间的相似性，帮助系统以数据高效的方式生成新分子并预测其性质。这种方法在小型和大型数据集上的表现都优于其他机器学习方法，当给定的数据集样本少于100个时，它能够准确预测分子性质并生成可行的分子。麻省理工学院和麻省理工学院-沃森人工智能实验室的研究人员开发了一种统一框架，利用机器学习同时预测分子性质并生成新分子，只需使用少量数据进行训练。图片来源：Jose-LuisOlivares/麻省理工学院"我们这个项目的目标是使用一些数据驱动的方法来加速新分子的发现，这样就可以训练一个模型来做预测，而不需要所有这些成本高昂的实验，"领衔作者、计算机科学与电子工程（EECS）研究生郭明浩（音译）说。郭明皓的共同作者包括MIT-IBM沃森人工智能实验室的研究人员VeronikaThost、PayelDas和JieChen；MIT应届毕业生SamuelSong23和AdithyaBalachandran23；资深作者WojciechMatusik，他是电气工程和计算机科学教授，也是MIT-IBM沃森人工智能实验室的成员，领导着MIT计算机科学和人工智能实验室（CSAIL）的计算设计和制造小组。该研究成果将在国际机器学习大会（InternationalConferenceforMachineLearning）上发表。学习分子语言为了使机器学习模型达到最佳效果，科学家们需要包含数百万个分子的训练数据集，这些分子与他们希望发现的分子具有相似的性质。在现实中，这些特定领域的数据集通常非常小。因此，研究人员使用在大型通用分子数据集上预先训练好的模型，然后将其应用于更小的、有针对性的数据集。然而，由于这些模型没有获得太多特定领域的知识，它们的表现往往很差。麻省理工学院的研究小组采取了不同的方法。他们创建了一个机器学习系统，该系统仅使用一个小型的特定领域数据集，就能自动学习分子的"语言"--即所谓的分子语法。它利用这种语法构建可行的分子并预测其特性。在语言理论中，人们根据一套语法规则生成单词、句子或段落。您可以用同样的方式来理解分子语法。这是一套生产规则，规定如何通过原子和亚结构的组合生成分子或聚合物。就像语言语法可以使用相同的规则生成大量句子一样，一个分子语法可以代表大量分子。具有相似结构的分子使用相同的语法生成规则，系统通过学习来理解这些相似性。由于结构相似的分子往往具有相似的性质，系统利用其分子相似性的基础知识，更有效地预测新分子的性质。郭说："一旦我们有了这个语法作为所有不同分子的表征，我们就可以用它来促进性质预测过程。"该系统利用强化学习来学习分子语法的生产规则--在这个试错过程中，模型会因为更接近实现目标的行为而获得奖励。但是，由于原子和子结构的组合方式可能有数十亿种，因此学习语法生成规则的过程对于最微小的数据集来说计算成本太高。研究人员将分子语法解耦为两部分。第一部分称为元语法（metagrammar），是一种通用的、广泛适用的语法，由他们手工设计并在一开始就提供给系统。然后，它只需要从领域数据集中学习更小的特定分子语法。这种分层方法加快了学习过程。小数据集，大成果在实验中，研究人员的新系统同时生成了可行的分子和聚合物，并比几种流行的机器学习方法更准确地预测了它们的性质，即使特定领域的数据集只有几百个样本。其他一些方法还需要昂贵的预训练步骤，而新系统避免了这一步骤。该技术在预测聚合物的物理性质方面尤其有效，例如玻璃化转变温度，即材料从固态转变为液态所需的温度。由于实验需要极高的温度和压力，手动获取这一信息往往成本极高。为了进一步推动他们的方法，研究人员将一个训练集减少了一半以上--仅有94个样本。他们的模型仍然取得了与使用整个数据集训练的方法相当的结果。"这种基于语法的表示方法非常强大。由于语法本身是一种非常通用的表示方法，因此它可以被部署到不同类型的图形式数据中。我们正试图确定化学或材料科学以外的其他应用，"郭说。未来，他们还希望将目前的分子语法扩展到分子和聚合物的三维几何图形，这是理解聚合物链之间相互作用的关键。他们还在开发一个界面，向用户显示学习到的语法生成规则，并征求反馈意见以纠正可能错误的规则，从而提高系统的准确性。...PC版：https://www.cnbeta.com.tw/articles/soft/1370825.htm手机版：https://m.cnbeta.com.tw/view/1370825.htm

Google DeepMind 通过深度学习发现了数百万种新材料

GoogleDeepMind通过深度学习发现了数百万种新材料从芯片、电池、超导体到太阳能板等现代技术都依赖于无机晶体。为了实现新技术，晶体必须稳定，否则就会分解，而每个新的、稳定的晶体背后都可能需要数月的艰苦实验。GoogleDeepMind的AI模型GNoME(材料探索的图网络)新发现了220万种晶体，这相当于约800年的知识价值；其中最稳定的38万个已提交到研究界数据库，这些候选有可能存在用于开发未来变革性技术的材料。世界各地实验室的研究员目前创建了736个此类新结构；劳伦斯伯克利国家实验室A-Lab的人工智能自主快速合成41个。投稿：@TNSubmbot频道：@TestFlightCN