Erklärbare KI zeigt, wie ein magnetisches Labyrinth Energie in Elektromotoren verschwendet

Benachbarte Domänen können unterschiedliche Ausrichtungen besitzen. In manchen Materialien bilden sie besonders komplexe, zickzackartige Muster, die als Maze‑Domains oder labyrinthartige Domänen bezeichnet werden.

Diese Muster reagieren empfindlich auf Temperatur und äußere Magnetfelder. Dadurch verändern sie sich während der Magnetisierungsumkehr ständig – ein Prozess, der für die Energieverluste im Motor entscheidend ist.

Von Mikroskopbildern zu messbarer Physik

Um diese komplizierten Strukturen zu analysieren, entwickelte das Team eine Datenpipeline, die mit Mikroskopaufnahmen der Domänen beginnt.

Der zentrale Schritt nutzt Persistent Homology, eine Methode aus der topologischen Datenanalyse. Sie erkennt strukturelle Merkmale in komplexen Mustern – etwa Schleifen, Verzweigungen oder Vernetzungen – und wandelt sie in messbare Größen um.

Damit lassen sich die scheinbar chaotischen Domänenbilder in strukturierte Datensätze übersetzen, die von physikalischen Modellen und Machine‑Learning‑Systemen verarbeitet werden können.

Ein erweitertes Ginzburg–Landau‑Modell mit Entropie

Klassische Landau‑ oder Ginzburg–Landau‑Modelle beschreiben Phasenübergänge und Magnetisierung über Energiebegriffe physikalischer Wechselwirkungen. Doch bei labyrinthartigen Domänen stoßen diese Modelle an Grenzen, weil die Zahl möglicher Konfigurationen enorm ist.

Das Forschungsteam ergänzte das Modell deshalb um eine zusätzliche Größe: Entropie. Daraus entstand das sogenannte entropy‑feature‑extended Ginzburg–Landau‑Modell (eX‑GL).

Der neue Term berücksichtigt die statistische Vielfalt möglicher Domänenanordnungen. Mit anderen Worten: Er beschreibt nicht nur, wie viel Energie ein Zustand besitzt, sondern auch, wie viele mikroskopische Varianten desselben Musters existieren.

Durch die Kombination der topologischen Merkmale aus der Persistent‑Homology‑Analyse mit dieser erweiterten Energielandschaft kann das Modell unter anderem bestimmen:

• Energiebarrieren zwischen verschiedenen Domänenzuständen
• typische Wege der Magnetisierungsumkehr
• temperaturabhängige Veränderungen der Domänenstruktur

Das Ergebnis ist eine erklärbare KI, die sichtbare Domänenmuster direkt mit den zugrunde liegenden physikalischen Energielandschaften verbindet.

Energiebarrieren der Magnetisierungsumkehr sichtbar gemacht

Mit dem eX‑GL‑Modell untersuchten die Forschenden, wie sich Maze‑Domänen verändern, wenn Temperatur und äußere Magnetfelder variieren.

Dabei zeigte sich: Bestimmte komplexe Domänenstrukturen entsprechen klar identifizierbaren Energiebarrieren in der freien magnetischen Energie.

Diese Barrieren bestimmen, wie leicht oder schwer sich Domänen während der Magnetisierungsumkehr neu anordnen können. Das Modell macht sichtbar, dass dabei mehrere Faktoren zusammenwirken:

• magnetische Wechselwirkungsenergie
• geometrische Komplexität des Domänennetzwerks
• thermische Effekte bei unterschiedlichen Temperaturen

Gerade diese Konkurrenz erklärt, warum Umkehrprozesse in Maze‑Domänen oft abrupt verlaufen und besonders viel Energie verlieren.

Vom Mikromuster zum Energieverlust im Motor

Ein zentrales Ergebnis der Studie ist die direkte Verbindung zwischen mikroskopischer Domänenstruktur und makroskopischem Hystereseverhalten eines Materials.

Das Modell kann automatisch erkennen, welche Strukturen in Materialien wie nichtkornorientiertem Elektrobandstahl während der Magnetisierungsumkehr für Energieverluste verantwortlich sind.

Da Hystereseverluste durch irreversible Änderungen der Domänenkonfiguration entstehen, lassen sich über die identifizierten Energiebarrieren genau jene Prozesse bestimmen, in denen Energie im Zyklus verloren geht.

Bedeutung für Elektromotoren in Elektroautos

Elektrofahrzeuge nutzen hocheffiziente Motoren, deren Kerne aus weichmagnetischen Materialien bestehen. Während des Betriebs kehrt sich das Magnetfeld im Motor ständig um – wodurch sich auch die Domänen immer wieder neu organisieren.

Die neue Analyse könnte Forschenden helfen:

• Stahlmikrostrukturen zu entwickeln, die weniger verlustreiche Domänenmuster bilden
• Herstellungsprozesse gezielt anzupassen, um günstige Domänenstrukturen zu erzeugen
• Materialverhalten unter realistischen Motorbedingungen besser vorherzusagen

Weniger Hystereseverlust bedeutet geringere Energieverluste im Motor. Das könnte langfristig zu effizienteren Elektromotoren beitragen – auch wenn die aktuelle Studie keine konkrete Effizienzsteigerung beziffert.

Ein Beispiel für erklärbare KI in der Materialforschung

Die Arbeit zeigt außerdem, wie sich physikalische Modelle und erklärbare KI kombinieren lassen, um komplexe Materialstrukturen zu verstehen.

Statt Machine Learning als „Black Box“ einzusetzen, integriert der Ansatz interpretierbare Merkmale aus Topologie und Thermodynamik in ein physikalisch fundiertes Modell. Dadurch liefert das System nicht nur Vorhersagen, sondern auch wissenschaftliche Einsichten darüber, wie mikroskopische Strukturen das Verhalten von Materialien bestimmen.

Solche Methoden könnten künftig eine wichtige Rolle spielen, wenn datengetriebene Ansätze zunehmend in der Materialwissenschaft eingesetzt werden, um bislang verborgene Mechanismen aufzudecken.