AI Jelaskan Labirin Domain Magnetik di Balik Kehilangan Energi Motor Listrik

Motor listrik modern—termasuk yang digunakan pada kendaraan listrik—mengandalkan material magnet lunak di inti motornya. Saat arus listrik berubah arah, medan magnet di dalam inti juga ikut berbalik arah. Proses pembalikan ini memaksa wilayah‑wilayah kecil dalam material, yang disebut domain magnetik, untuk menyesuaikan arah magnetisasinya.

Perubahan tersebut tidak pernah sepenuhnya efisien. Sebagian energi hilang sebagai panas dalam fenomena yang dikenal sebagai iron loss atau magnetic hysteresis loss.

Peneliti dari Tokyo University of Science (TUS) mengembangkan pendekatan baru berbasis AI yang dapat dijelaskan (explainable AI) untuk memahami secara detail bagaimana pola domain magnetik yang sangat kompleks menyebabkan kehilangan energi ini. Kerangka kerja tersebut menggabungkan teknik analisis topologi dengan model energi fisika yang diperluas, sehingga pola domain dapat dipetakan ke dalam landskap energi magnetik yang dapat dianalisis secara kuantitatif.

Pola Domain Magnetik Berbentuk “Labirin”

Material magnet lunak seperti nonoriented electrical steel, yang banyak dipakai dalam motor listrik, terdiri dari banyak domain magnetik kecil. Di setiap domain, magnetisasi memiliki arah yang seragam, tetapi domain tetangga sering mengarah ke arah yang berbeda.

Dalam beberapa material, domain-domain ini membentuk pola zig‑zag rumit yang dikenal sebagai maze domains atau domain berbentuk labirin. Pola ini dapat berubah drastis ketika suhu berubah atau ketika medan magnet eksternal diterapkan.

Karena pembalikan magnetisasi terjadi melalui pergerakan, penggabungan, atau pemisahan domain-domain tersebut, geometri detail dari pola domain sangat memengaruhi jumlah energi yang hilang setiap siklus operasi motor.

Mengubah Gambar Domain Menjadi Data Fisika

Penelitian ini dimulai dari gambar mikroskopis domain magnetik. Tantangannya adalah bagaimana mengubah pola yang tampak acak tersebut menjadi data yang bisa dianalisis.

Tim peneliti menggunakan teknik matematika yang disebut persistent homology, bagian dari topological data analysis. Metode ini dapat mengekstrak fitur struktur kompleks—misalnya:

• pola cabang
• loop atau lingkaran
• konektivitas jaringan

Dengan teknik ini, pola domain yang sebelumnya hanya berupa gambar dapat diubah menjadi deskripsi numerik tentang bentuk dan struktur topologinya.

Langkah ini memungkinkan sistem pembelajaran mesin dan model fisika mempelajari hubungan antara pola domain dan perilaku magnetik material.

Memperluas Model Energi Ginzburg–Landau

Model klasik Landau dan Ginzburg–Landau biasanya digunakan untuk menggambarkan perubahan fase dan magnetisasi dalam material. Namun model tersebut sulit menggambarkan kompleksitas besar dari domain berbentuk labirin.

Untuk mengatasi keterbatasan ini, peneliti menambahkan komponen entropi ke dalam model energi bebas tersebut. Hasilnya adalah model baru yang disebut entropy‑feature‑extended Ginzburg–Landau (eX‑GL).

Penambahan entropi memungkinkan model mempertimbangkan bukan hanya energi fisik, tetapi juga jumlah kemungkinan konfigurasi mikroskopis yang dapat dimiliki oleh pola domain magnetik.

Dengan memasukkan fitur topologis dari persistent homology ke dalam model eX‑GL, sistem dapat mengidentifikasi:

• hambatan energi antara konfigurasi domain
• jalur pembalikan magnetisasi
• perubahan struktur domain akibat temperatur

Pendekatan ini membuat model AI tetap transparan dan dapat dijelaskan secara fisika, bukan sekadar algoritma “kotak hitam”.

Menemukan Hambatan Energi dalam Pembalikan Magnetisasi

Melalui kerangka eX‑GL, peneliti menganalisis bagaimana domain berbentuk labirin berevolusi saat suhu berubah dan medan magnet memaksa magnetisasi untuk berbalik arah.

Model menunjukkan bahwa pola domain yang kompleks berkaitan dengan hambatan energi tertentu dalam landskap energi magnetik. Hambatan ini menentukan seberapa mudah domain dapat berubah atau berpindah selama pembalikan magnetisasi.

Dengan kata lain, pembalikan magnetisasi tidak hanya ditentukan oleh energi magnetik semata, tetapi oleh kombinasi tiga faktor utama:

• interaksi energi magnetik
• kompleksitas struktur domain
• efek temperatur pada stabilitas domain

Interaksi faktor‑faktor ini menjelaskan mengapa perubahan magnetisasi pada material dengan domain labirin sering bersifat tiba‑tiba, sensitif terhadap suhu, dan menghasilkan kehilangan energi yang besar.

Menghubungkan Struktur Mikro dengan Kehilangan Energi Motor

Salah satu hasil penting penelitian ini adalah kemampuan untuk menghubungkan struktur domain magnetik skala mikro dengan perilaku histeresis magnetik skala makro.

Kerangka eX‑GL memungkinkan identifikasi otomatis mekanisme yang menyebabkan kehilangan energi pada material seperti nonoriented electrical steel dengan memetakan fitur domain ke dalam landskap energi selama proses pembalikan magnetisasi.

Karena histeresis magnetik berasal dari perubahan konfigurasi domain yang tidak sepenuhnya reversibel, memahami hambatan energi ini membantu menjelaskan di mana dan bagaimana energi hilang selama siklus kerja motor.

Implikasinya untuk Motor Kendaraan Listrik

Motor kendaraan listrik bekerja dengan medan magnet yang terus berubah arah di dalam inti motor. Setiap perubahan ini memaksa domain magnetik untuk menata ulang dirinya, yang menjadi sumber utama iron loss.

Dengan memahami pola domain yang menyebabkan hambatan energi besar, kerangka baru ini berpotensi membantu para insinyur untuk:

• merancang mikrostruktur baja listrik yang menghasilkan domain lebih efisien
• mengoptimalkan proses produksi material magnetik
• memprediksi perilaku material dalam kondisi operasi motor nyata

Jika kehilangan energi magnetik dapat dikurangi, efisiensi motor listrik dapat meningkat. Namun penelitian ini belum memberikan angka pasti tentang peningkatan efisiensi kendaraan listrik, melainkan menyediakan alat analisis baru untuk mencapai tujuan tersebut.

AI yang Tetap Berbasis Fisika

Selain aplikasinya pada motor listrik, studi ini menunjukkan bagaimana AI yang digabungkan dengan model fisika dapat digunakan untuk memahami struktur material yang sangat kompleks.

Alih‑alih menggunakan pembelajaran mesin sebagai sistem yang sulit dijelaskan, pendekatan ini menggabungkan fitur yang dapat ditafsirkan dari topologi dan termodinamika ke dalam model fisika yang jelas. Hasilnya adalah alat yang tidak hanya mampu memprediksi perilaku material, tetapi juga menjelaskan mekanisme ilmiah di baliknya.

Pendekatan semacam ini semakin penting dalam ilmu material modern, di mana kombinasi data besar dan teori fisika membuka peluang untuk menemukan mekanisme tersembunyi dalam struktur mikroskopis material.