説明可能AIが解き明かす電気モーター内部の磁気「迷路」とエネルギー損失

磁化反転の過程では、磁区が移動・合体・分裂するため、こうした微視的な形状がエネルギー損失の大きさに大きく影響します。

顕微鏡画像を「物理データ」に変換する

研究チームはまず、磁区を観察した顕微鏡画像を解析パイプラインに取り込みました。ここで重要な役割を果たすのが、トポロジカルデータ解析の手法である**永続ホモロジー（persistent homology）**です。

この手法は、複雑な空間パターンから

• ループ
• 分岐構造
• 連結性

といったトポロジー的特徴を抽出できます。これにより、これまで視覚的にしか扱えなかった迷路状の磁区構造を、数値的な特徴量として表現できるようになりました。

つまり、複雑な磁区画像を機械学習や物理モデルで扱える「構造化データ」に変換したわけです。

エントロピーを加えたギンツブルグ＝ランダウモデル

磁性体の相転移や磁化を説明する理論として、ランドウ理論やギンツブルグ＝ランダウ自由エネルギーモデルが広く使われています。しかし、迷路状磁区のように取り得る配置が膨大な場合、従来のモデルだけではその複雑さを表現しきれません。

そこで研究チームは、自由エネルギー式にエントロピー（配置の多様性）を表す特徴量を加えた新しいモデルを導入しました。これが

エントロピー特徴拡張ギンツブルグ＝ランダウ（eX‑GL）モデルです。

この拡張により、モデルは

• 磁気相互作用によるエネルギー
• 磁区構造の複雑さ
• 温度による統計的効果

を同時に表現できるようになりました。さらに、永続ホモロジーで抽出した特徴を自由エネルギーの「地形」に対応づけることで、磁区構造がどのようなエネルギー状態にあるのかを可視化できます。

磁化反転を支配するエネルギー障壁

このeX‑GLフレームワークを用いて解析した結果、迷路状の磁区構造は特定のエネルギー障壁に対応していることが分かりました。

磁化反転の際、磁区が再配置するにはこの障壁を越える必要があります。障壁が高いほど、磁区は急激に再配置しやすくなり、その過程でエネルギーが散逸します。

さらに解析は、磁区構造が

• 温度変化
• 外部磁場

によってどのように変形し、その結果として磁化反転の仕方が変わるかも示しました。つまり、迷路状磁区では構造の複雑さ・熱効果・磁気相互作用が競合することで、急激でエネルギー損失の大きい反転が起きやすくなるのです。

ミクロ構造とモーター効率をつなぐ

この研究の大きな成果は、磁区というミクロ構造と、モーター全体のヒステリシス特性というマクロ現象を直接結び付けたことです。

eX‑GLモデルを使えば、磁区構造が自由エネルギー地形のどこに位置し、どの経路で磁化反転が起こるのかを自動的に解析できます。これにより、非方向性電磁鋼板などの材料でエネルギー損失の起源を特定することが可能になります。

ヒステリシス損失は、磁区配置が不可逆的に変化することで発生するため、どのエネルギー障壁がその変化を引き起こすのかを理解することが重要です。

電気自動車モーターへの意味

電気自動車（EV）のモーターでは、磁場が毎秒何百回も反転します。そのたびに磁区が再配置し、鉄損が発生します。

今回の解析手法により、研究者やエンジニアは

• エネルギー損失を生む磁区構造の特定
• 鋼板の微細構造設計
• 材料加工条件の最適化

といった改善策を検討できるようになります。

研究では具体的な効率向上率は示されていませんが、鉄損を減らす材料設計が実現すれば、電気モーター全体の効率向上やEVのエネルギー利用効率改善につながる可能性があります。

材料研究における「説明可能AI」の可能性

今回の研究は、単なるブラックボックス型の機械学習ではなく、物理法則と結び付いた説明可能AIの有効性を示しています。

トポロジー解析による特徴量と熱力学モデルを統合することで、AIは単に予測を行うだけでなく、材料内部で起きている物理メカニズムの理解にも貢献します。

複雑な微細構造を持つ材料は数多く存在します。今回のようなアプローチは、将来的に磁性材料だけでなく、さまざまな先端材料の設計にも応用される可能性があります。