AI อธิบายเขาวงกตของโดเมนแม่เหล็กที่ทำให้มอเตอร์ไฟฟ้าสูญเสียพลังงาน

โครงสร้างโดเมนแม่เหล็กแบบ “เขาวงกต” ภายในวัสดุมอเตอร์

วัสดุแม่เหล็กอ่อนที่ใช้ในแกนมอเตอร์ เช่น non‑oriented electrical steel ประกอบด้วยพื้นที่ขนาดเล็กมากที่เรียกว่า magnetic domain แต่ละโดเมนมีทิศทางแม่เหล็กของตัวเอง และมักชี้ไปคนละทิศกับโดเมนข้างเคียง

ในวัสดุบางชนิด โดเมนเหล่านี้ไม่ได้เรียงตัวเป็นเส้นเรียบ แต่รวมกันเป็นเครือข่ายซิกแซกซับซ้อนคล้ายเขาวงกต เรียกว่า maze domains โครงสร้างลักษณะนี้สามารถเปลี่ยนแปลงอย่างมากเมื่ออุณหภูมิหรือสนามแม่เหล็กภายนอกเปลี่ยน ทำให้การอธิบายด้วยโมเดลฟิสิกส์แบบเดิมทำได้ยาก

เนื่องจากการกลับทิศแม่เหล็กต้องอาศัยการเคลื่อนที่ การรวมตัว หรือการแยกตัวของโดเมน รูปร่างและโครงสร้างของเครือข่ายโดเมนจึงมีผลโดยตรงต่อปริมาณพลังงานที่สูญเสียในแต่ละรอบการทำงานของมอเตอร์

เปลี่ยนภาพโดเมนให้กลายเป็นข้อมูลเชิงฟิสิกส์

ขั้นตอนแรกของงานวิจัยคือการใช้ภาพจากกล้องจุลทรรศน์ที่แสดงรูปแบบของโดเมนแม่เหล็ก

นักวิจัยใช้เทคนิคจาก topological data analysis ที่เรียกว่า persistent homology เพื่อดึงลักษณะโครงสร้างสำคัญออกมาจากภาพ เช่น

• การเชื่อมต่อของโครงสร้าง
• ลูปหรือวงปิด
• การแตกแขนงของเครือข่าย

ผลลัพธ์คือ รูปแบบโดเมนที่ดูยุ่งเหยิงในภาพถูกแปลงเป็น คุณลักษณะเชิงตัวเลข ที่สามารถวิเคราะห์ด้วยโมเดลฟิสิกส์และระบบ machine learning ได้

เพิ่ม “เอนโทรปี” ลงในโมเดล Ginzburg–Landau

โมเดล Landau และ Ginzburg–Landau แบบดั้งเดิมใช้พลังงานอิสระเพื่ออธิบายการเปลี่ยนสถานะและการจัดเรียงแม่เหล็กของวัสดุ แต่โมเดลเหล่านี้ไม่สามารถอธิบายจำนวนรูปแบบที่เป็นไปได้มหาศาลของโดเมนแบบเขาวงกตได้ดีนัก

ทีมวิจัยจึงเพิ่มตัวแปร entropy (เอนโทรปี) เข้าไปในสมการพลังงานอิสระ เกิดเป็นโมเดลใหม่ที่เรียกว่า

entropy‑feature‑extended Ginzburg–Landau (eX‑GL)

การเพิ่มเอนโทรปีทำให้โมเดลสามารถสะท้อนความซับซ้อนทางสถิติของรูปแบบโดเมนได้ กล่าวคือ ไม่เพียงพิจารณาพลังงานจากปฏิสัมพันธ์แม่เหล็กเท่านั้น แต่ยังคำนึงถึงจำนวนรูปแบบการจัดเรียงที่เป็นไปได้ในระดับจุลภาคด้วย

เมื่อรวมข้อมูลโทโพโลยีจาก persistent homology เข้าไป โมเดลจึงสามารถระบุได้ว่า

• มี อุปสรรคพลังงาน (energy barriers) ระหว่างรูปแบบโดเมนแบบใดบ้าง
• โดเมนเปลี่ยนรูปอย่างไรระหว่างการกลับทิศแม่เหล็ก
• โครงสร้างโดเมนเปลี่ยนไปอย่างไรตามอุณหภูมิ

ผลลัพธ์คือระบบ Explainable AI ที่เชื่อมโยงภาพโดเมนแม่เหล็กที่สังเกตได้ เข้ากับภูมิทัศน์พลังงานทางฟิสิกส์ที่อยู่เบื้องหลัง

เปิดเผยอุปสรรคพลังงานในการกลับทิศแม่เหล็ก

เมื่อใช้เฟรมเวิร์ก eX‑GL วิเคราะห์ข้อมูล นักวิจัยพบว่าโครงสร้างโดเมนแบบเขาวงกตสัมพันธ์กับ ตำแหน่งเฉพาะในภูมิทัศน์พลังงานอิสระของวัสดุแม่เหล็ก

ตำแหน่งเหล่านี้ทำหน้าที่เป็น energy barriers ที่กำหนดว่าโดเมนจะจัดเรียงใหม่ได้ง่ายหรือยากเพียงใดในระหว่างการกลับทิศแม่เหล็ก

โมเดลจึงแสดงให้เห็นว่าการกลับทิศแม่เหล็กไม่ได้ขึ้นอยู่กับพลังงานแม่เหล็กเพียงอย่างเดียว แต่เกิดจากการแข่งขันระหว่าง

• พลังงานจากปฏิสัมพันธ์แม่เหล็ก
• ความซับซ้อนของโครงสร้างโดเมน
• ผลกระทบของอุณหภูมิ

ปัจจัยเหล่านี้ร่วมกันทำให้การกลับทิศแม่เหล็กในวัสดุที่มี maze domains อาจเกิดขึ้นอย่างรวดเร็ว เปลี่ยนตามอุณหภูมิ และนำไปสู่การสูญเสียพลังงานสูง

จากโครงสร้างจุลภาคสู่การสูญเสียพลังงานของมอเตอร์

หนึ่งในผลลัพธ์สำคัญของงานวิจัยคือการเชื่อมโยงโดยตรงระหว่าง

โครงสร้างโดเมนระดับจุลภาค และ พฤติกรรมฮิสเทอรีซิสระดับมหภาคของวัสดุแม่เหล็ก

เฟรมเวิร์กนี้สามารถระบุสาเหตุของการสูญเสียพลังงานในวัสดุ เช่น non‑oriented electrical steel ได้โดยอัตโนมัติ ผ่านการวิเคราะห์ว่าโครงสร้างโดเมนสัมพันธ์กับภูมิทัศน์พลังงานอย่างไรระหว่างการกลับทิศแม่เหล็ก

เนื่องจาก iron loss เกิดจากการเปลี่ยนแปลงโครงสร้างโดเมนที่ไม่สามารถย้อนกลับได้ การค้นหา energy barriers ที่เกี่ยวข้องจึงช่วยชี้ตำแหน่งที่พลังงานสูญเสียในกระบวนการนั้น

ความหมายต่อมอเตอร์รถยนต์ไฟฟ้า

รถยนต์ไฟฟ้าต้องพึ่งพามอเตอร์ที่มีประสิทธิภาพสูง ซึ่งใช้วัสดุแม่เหล็กอ่อนในแกนมอเตอร์ สนามแม่เหล็กภายในแกนจะกลับทิศซ้ำ ๆ ระหว่างการทำงาน ทำให้โดเมนแม่เหล็กต้องจัดเรียงใหม่ตลอดเวลา และเกิด iron loss ตามมา

หากนักวิจัยสามารถระบุได้ว่าโครงสร้างโดเมนแบบใดและเงื่อนไขอุณหภูมิแบบใดสร้างอุปสรรคพลังงานสูงที่สุด วิศวกรก็อาจใช้ข้อมูลนี้เพื่อ

• ออกแบบโครงสร้างจุลภาคของเหล็กไฟฟ้าให้เกิดโดเมนที่สูญเสียพลังงานน้อย
• ปรับกระบวนการผลิตเพื่อควบคุมรูปแบบโดเมน
• คาดการณ์พฤติกรรมของวัสดุในสภาวะการทำงานจริงของมอเตอร์

การลด iron loss ภายในวัสดุเหล่านี้สามารถช่วยเพิ่มประสิทธิภาพของมอเตอร์ไฟฟ้าได้ แม้ว่างานวิจัยปัจจุบันยังไม่ได้ระบุค่าการเพิ่มประสิทธิภาพเชิงตัวเลขที่แน่ชัด

เส้นทางใหม่ของ Explainable AI ในวิทยาศาสตร์วัสดุ

งานวิจัยนี้ยังเป็นตัวอย่างสำคัญของการใช้ AI ที่อธิบายได้ (Explainable AI) ร่วมกับทฤษฎีฟิสิกส์

แทนที่จะใช้ machine learning เป็น “กล่องดำ” นักวิจัยนำคุณลักษณะที่ตีความได้จากโทโพโลยีและอุณหพลศาสตร์มาผสานเข้ากับแบบจำลองพลังงานอิสระที่มีความหมายทางฟิสิกส์จริง

แนวทางนี้ไม่เพียงช่วยทำนายพฤติกรรมของวัสดุ แต่ยังช่วยเปิดเผยกลไกพื้นฐานที่ซ่อนอยู่ในโครงสร้างระดับจุลภาค ซึ่งก่อนหน้านี้วิเคราะห์ได้ยากมากด้วยวิธีดั้งเดิม