Comment une IA explicable révèle le labyrinthe magnétique caché derrière les pertes d’énergie des moteurs

Les moteurs électriques reposent sur des matériaux magnétiques doux dont l’aimantation change constamment de direction lorsque le courant alterne. Chaque inversion d’aimantation consomme une petite quantité d’énergie. Une part importante de cette perte — appelée perte fer ou perte d’hystérésis magnétique — provient de minuscules régions internes du matériau, appelées domaines magnétiques, qui se réorganisent lors de ces inversions.

Une équipe de l’Université des sciences de Tokyo (Tokyo University of Science, TUS) a développé un cadre d’IA explicable guidé par la physique pour analyser l’une des formes les plus complexes de ces structures : les domaines magnétiques en forme de labyrinthe. En combinant l’analyse topologique des données avec un modèle d’énergie libre de Ginzburg–Landau étendu par un terme d’entropie, les chercheurs ont pu cartographier l’évolution de ces motifs et identifier les barrières d’énergie qui gouvernent l’inversion d’aimantation.

Le « labyrinthe » magnétique caché dans les matériaux des moteurs

Les matériaux utilisés dans les cœurs de moteurs — notamment l’acier électrique non orienté, courant dans les moteurs industriels et de véhicules électriques — sont constitués d’une multitude de domaines magnétiques. Dans chaque domaine, les moments magnétiques sont alignés dans la même direction, mais les domaines voisins peuvent pointer différemment.

Dans certains matériaux, ces domaines s’organisent en réseaux complexes en zigzag appelés maze domains (domaines en labyrinthe). Leur géométrie peut changer fortement selon la température et le champ magnétique appliqué, ce qui rend leur modélisation difficile avec les approches classiques.

Or, lorsque le champ magnétique s’inverse dans un moteur, ces domaines doivent se déplacer, fusionner ou se scinder. La manière dont ils sont organisés influence directement la quantité d’énergie dissipée à chaque cycle.

Transformer des images microscopiques en données physiques

Pour analyser ces motifs complexes, les chercheurs ont conçu une chaîne de traitement qui commence par des images microscopiques de domaines magnétiques.

L’étape clé utilise l’homologie persistante, une méthode issue de l’analyse topologique des données. Elle permet d’extraire des caractéristiques mesurables à partir de structures spatiales complexes — par exemple :

• boucles
• ramifications
• connectivité

Grâce à cette technique, les motifs labyrinthiques observés dans les images peuvent être transformés en descripteurs quantitatifs exploitables par des modèles physiques et des systèmes d’apprentissage automatique.

Ajouter l’entropie au modèle de Ginzburg–Landau

Les modèles classiques de Landau et Ginzburg–Landau décrivent l’aimantation et les transitions de phase à partir de contributions énergétiques liées aux interactions physiques. Mais ils ont du mal à représenter la multitude de configurations possibles dans des structures aussi complexes que les domaines en labyrinthe.

Pour surmonter cette limite, les chercheurs ont introduit un terme supplémentaire : une caractéristique d’entropie. Cela donne naissance à un modèle appelé entropy‑feature‑extended Ginzburg–Landau (eX‑GL).

Ce terme d’entropie permet de tenir compte de la complexité statistique des arrangements microscopiques possibles des domaines. Autrement dit, le modèle ne décrit pas seulement l’énergie des interactions magnétiques : il capture aussi la diversité des configurations que le système peut adopter.

En intégrant les caractéristiques topologiques extraites par l’homologie persistante dans ce paysage d’énergie libre, le modèle peut identifier :

• les barrières d’énergie entre différentes configurations de domaines
• les chemins possibles d’inversion d’aimantation
• les transitions dépendantes de la température dans la morphologie des domaines

Le résultat est un système d’IA explicable qui relie directement les motifs observés dans le matériau au paysage énergétique qui les gouverne.

Les barrières d’énergie derrière l’inversion d’aimantation

Grâce au cadre eX‑GL, l’équipe a étudié comment les structures labyrinthiques évoluent lorsque la température change et que le champ magnétique force l’inversion d’aimantation.

Le modèle montre que ces motifs complexes correspondent à des barrières spécifiques dans le paysage d’énergie libre magnétique. Ces barrières déterminent la facilité avec laquelle les domaines peuvent se réorganiser lors de l’inversion.

Ainsi, l’inversion d’aimantation n’est pas simplement un changement d’état énergétique : elle résulte d’une compétition entre

• les interactions magnétiques internes
• la complexité géométrique du réseau de domaines
• les effets thermiques qui modifient la stabilité des structures

Cette interaction explique pourquoi les inversions dans certains matériaux peuvent être brutales, dépendantes de la température et fortement dissipatives.

Relier le microscopique aux pertes d’énergie macroscopiques

Un résultat important de l’étude est la possibilité de relier la structure microscopique des domaines au comportement macroscopique d’hystérésis magnétique.

Le cadre permet d’identifier automatiquement les mécanismes responsables des pertes d’énergie dans des matériaux comme l’acier électrique non orienté en observant comment les caractéristiques des domaines se positionnent dans le paysage d’énergie libre pendant l’inversion.

Comme les pertes d’hystérésis proviennent de changements irréversibles dans les configurations de domaines, identifier les barrières d’énergie clés permet de comprendre où et comment l’énergie est dissipée dans le cycle magnétique.

Pourquoi c’est important pour les moteurs de véhicules électriques

Les véhicules électriques utilisent des moteurs à haute efficacité basés sur ces matériaux magnétiques doux. Dans leur fonctionnement normal, le champ magnétique du cœur du moteur s’inverse en permanence, obligeant les domaines à se réorganiser — ce qui génère des pertes d’énergie appelées pertes fer.

En identifiant les structures de domaines et les conditions thermiques qui créent les plus fortes barrières énergétiques, ce nouveau cadre pourrait aider les ingénieurs à :

• concevoir des microstructures d’acier qui limitent les configurations dissipatives
• optimiser les procédés de fabrication contrôlant la morphologie des domaines
• prédire le comportement des matériaux dans des conditions réelles de fonctionnement

Réduire ces pertes pourrait améliorer l’efficacité globale des moteurs électriques, même si l’étude actuelle ne chiffre pas encore un gain précis d’efficacité.

Une approche d’IA explicable pour la science des matériaux

Au‑delà des moteurs, cette recherche montre comment l’IA explicable combinée à des modèles physiques peut analyser des microstructures trop complexes pour les méthodes traditionnelles.

Plutôt que d’utiliser l’apprentissage automatique comme une « boîte noire », le cadre développé par les chercheurs intègre des caractéristiques interprétables issues de la topologie et de la thermodynamique dans un modèle physiquement cohérent. Cela permet à la fois de prédire le comportement des matériaux et de comprendre les mécanismes physiques sous‑jacents.

À mesure que la science des matériaux devient plus dépendante des données, ce type d’approche hybride — mêlant IA et théorie physique — pourrait ouvrir la voie à la découverte de mécanismes invisibles dans de nombreux systèmes microscopiques complexes.