Как объяснимый ИИ раскрыл магнитный «лабиринт», вызывающий потери энергии в электродвигателях

Иногда эти области формируют сложные зигзагообразные сети — так называемые maze‑домены, или «лабиринтные» домены. Их структура может резко изменяться при изменении температуры или внешнего магнитного поля, из‑за чего традиционные физические модели плохо описывают их поведение.

А поскольку процесс изменения намагниченности требует, чтобы домены двигались, объединялись или разделялись, геометрия этих доменных структур напрямую влияет на количество энергии, теряемой при каждом цикле работы двигателя.

Как превратить изображения доменов в физические параметры

Исследователи начали с микроскопических изображений магнитных доменов. Но просто картинка не позволяет напрямую анализировать физические механизмы.

Ключевым инструментом стала персистентная гомология — метод из области топологического анализа данных. Он позволяет извлекать из сложных структур измеримые характеристики: петли, ветвления, связность и другие элементы формы.

Благодаря этому хаотичные доменные рисунки превращаются в набор количественных признаков, пригодных для анализа алгоритмами машинного обучения и физическими моделями.

Расширение модели Гинзбурга–Ландау с учётом энтропии

Классические модели Ландау и Гинзбурга–Ландау описывают фазовые переходы и процессы намагничивания через энергетические взаимодействия. Но они плохо учитывают огромную вариативность конфигураций в лабиринтных доменных структурах.

Чтобы решить эту проблему, команда TUS добавила в модель энтропийный параметр, создав так называемую entropy‑feature‑extended Ginzburg–Landau модель (eX‑GL).

Теперь свободная энергия системы учитывает не только энергетические взаимодействия, но и статистическую сложность возможных доменных конфигураций. Энтропийный вклад фактически отражает, сколько различных микроскопических вариантов может существовать внутри конкретного доменного рисунка.

Используя топологические признаки, полученные из персистентной гомологии, модель строит энергетический ландшафт и позволяет определить:

• энергетические барьеры между различными конфигурациями доменов
• возможные траектории изменения намагниченности
• температурно‑зависимые переходы в структуре доменных сетей

В результате появляется объяснимая модель ИИ, связывающая наблюдаемую структуру доменов с физической энергией, управляющей их поведением.

Энергетические барьеры, управляющие перестройкой доменов

С помощью модели eX‑GL исследователи изучили, как лабиринтные доменные структуры изменяются при колебаниях температуры и при воздействии внешнего магнитного поля.

Оказалось, что сложные доменные узоры соответствуют конкретным энергетическим барьерам в ландшафте свободной энергии. Эти барьеры определяют, насколько легко домены могут перестраиваться во время смены намагниченности.

Модель показала, что процесс зависит от конкуренции сразу нескольких факторов:

• магнитных взаимодействий внутри материала
• геометрической сложности доменных сетей
• температурных эффектов, влияющих на устойчивость доменов

Именно сочетание этих факторов объясняет, почему в материалах с лабиринтными доменами изменение намагниченности может происходить резко, сильно зависеть от температуры и сопровождаться значительными потерями энергии.

Связь между микроскопической структурой и потерями энергии

Одним из ключевых результатов стало установление прямой связи между микроскопической структурой доменов и макроскопическими магнитными потерями на гистерезис.

Разработанный подход позволяет автоматически выявлять механизмы, ответственные за потери энергии в материалах вроде неориентированной электротехнической стали, анализируя, как доменные структуры перемещаются по энергетическому ландшафту во время изменения намагниченности.

Поскольку потери на гистерезис возникают из‑за необратимых изменений доменной конфигурации, обнаружение ключевых энергетических барьеров помогает понять, где именно в цикле происходит рассеяние энергии.

Почему это важно для электромобилей

Современные электромобили используют высокоэффективные электрические двигатели, в которых магнитное поле в сердечнике постоянно меняет направление. Каждый такой цикл заставляет домены перестраиваться и вызывает потери в железе.

Если инженеры смогут определить, какие доменные структуры создают наибольшие энергетические барьеры, это откроет путь к:

• разработке микроструктур стали с меньшими диссипативными доменными конфигурациями
• оптимизации технологических процессов обработки материалов
• более точному прогнозированию поведения магнитных материалов при реальных условиях работы двигателя

Снижение магнитных потерь может повысить эффективность электродвигателей и, соответственно, энергетическую эффективность электромобилей, хотя текущее исследование не приводит конкретных численных оценок улучшения.

Новый этап для объяснимого ИИ в материаловедении

Работа также демонстрирует более широкий подход: сочетание объяснимого искусственного интеллекта с физическими теориями для анализа сложных микроструктур материалов.

Вместо «чёрного ящика» машинного обучения система использует интерпретируемые признаки, полученные из топологии и термодинамики, и связывает их с физической моделью. Такой подход позволяет одновременно получать прогнозы и фундаментальное понимание процессов, происходящих внутри материалов.

По мере того как материаловедение всё активнее использует методы анализа данных, подобные модели могут стать мостом между искусственным интеллектом и классической физикой, помогая раскрывать скрытые механизмы в микроскопических системах.