En algunos materiales, estos dominios se organizan en redes complejas en zigzag conocidas como maze domains o dominios tipo laberinto. Estas estructuras cambian de forma complicada cuando varían la temperatura o los campos magnéticos externos, lo que dificulta describirlas con modelos físicos tradicionales.
Como la inversión de magnetización requiere que los dominios se desplacen, se fusionen o se dividan, la geometría detallada de estos patrones influye directamente en cuánta energía se pierde en cada ciclo del motor.
Para estudiar estos patrones complejos, los investigadores construyeron una cadena de análisis que parte de imágenes microscópicas de dominios magnéticos.
El paso clave utiliza homología persistente, una técnica de análisis topológico de datos. Esta herramienta identifica características estructurales —como bucles, conexiones o ramificaciones— dentro de estructuras espaciales complejas, permitiendo describir los dominios tipo laberinto mediante variables cuantitativas en lugar de simples imágenes.
De esta manera, mapas magnéticos aparentemente caóticos se convierten en datos estructurados que pueden analizarse mediante modelos físicos y aprendizaje automático.
Los modelos clásicos de Landau y Ginzburg–Landau se utilizan para describir transiciones de fase y procesos de magnetización en materiales. Sin embargo, tienen dificultades para representar el enorme número de configuraciones posibles que pueden adoptar los dominios tipo laberinto.
Para superar esa limitación, el equipo añadió una característica adicional al modelo: un término de entropía dentro del marco de energía libre. El resultado fue el modelo Ginzburg–Landau extendido con características de entropía (eX‑GL).
Este cambio permite representar no solo la energía de las interacciones magnéticas, sino también la complejidad estadística de las configuraciones de dominio. En términos simples, el componente entrópico refleja cuántas configuraciones microscópicas son posibles para un patrón de dominios dado.
Al integrar las características topológicas extraídas con homología persistente en este paisaje de energía libre, el sistema puede identificar:
El resultado es un modelo de IA explicable que conecta directamente los patrones observados en el material con el paisaje energético que gobierna su comportamiento físico.
Aplicando el modelo eX‑GL, los investigadores analizaron cómo evolucionan los dominios tipo laberinto cuando cambian la temperatura y el campo magnético externo fuerza la inversión de magnetización.
El análisis reveló que las estructuras complejas de dominios corresponden a barreras específicas dentro del paisaje de energía libre magnética. Estas barreras determinan qué tan fácil o difícil es que los dominios se reorganicen durante la inversión magnética.
El modelo muestra que el proceso depende de una competencia entre varios factores:
Esta interacción explica por qué la inversión de magnetización en materiales con dominios tipo laberinto puede ser abrupta, dependiente de la temperatura y altamente disipativa.
Uno de los resultados más importantes del estudio es la conexión directa entre estructura microscópica de dominios y comportamiento macroscópico de histéresis magnética.
El nuevo marco permite identificar automáticamente los mecanismos responsables de la pérdida de energía en materiales como el acero eléctrico no orientado, al analizar cómo las características de los dominios se relacionan con el paisaje de energía libre durante la inversión magnética.
Como la pérdida por histéresis surge de cambios irreversibles en la configuración de los dominios, localizar las barreras energéticas relevantes permite comprender dónde y por qué se disipa la energía en el ciclo magnético.
Los vehículos eléctricos utilizan motores de alta eficiencia construidos con materiales magnéticos blandos. Durante el funcionamiento, el campo magnético del núcleo del motor cambia de dirección repetidamente, obligando a los dominios a reorganizarse y generando pérdidas de hierro.
Si los investigadores pueden identificar qué estructuras de dominios y qué condiciones térmicas crean las mayores barreras energéticas, los ingenieros podrían:
Reducir estas pérdidas podría contribuir a motores más eficientes en vehículos eléctricos, aunque el estudio actual no cuantifica una mejora específica en eficiencia.
Más allá de los motores eléctricos, la investigación demuestra cómo la IA explicable combinada con modelos físicos puede analizar microestructuras complejas que antes resultaban demasiado caóticas para cuantificarse.
En lugar de tratar el aprendizaje automático como una “caja negra”, el marco desarrollado en TUS integra características interpretables derivadas de la topología matemática y la termodinámica dentro de un modelo físico significativo. Así, el sistema no solo predice comportamientos, sino que también revela los mecanismos científicos que gobiernan materiales complejos.
A medida que la ciencia de materiales adopta cada vez más métodos basados en datos, enfoques como el modelo Ginzburg–Landau extendido con entropía ofrecen una vía para fusionar inteligencia artificial y teoría física, permitiendo descubrir procesos ocultos dentro de sistemas microscópicos.
Comments
0 comments