可解释AI破解磁畴“迷宫”，揭示电动机能量损耗的根源

日本**东京理科大学（Tokyo University of Science, TUS）**的研究团队开发了一种结合物理理论与可解释人工智能的新方法，专门分析一种特别复杂的结构——迷宫状磁畴（maze domains）。通过把拓扑数据分析与扩展的Ginzburg–Landau自由能模型结合，他们成功描绘出磁畴演化的能量景观，并揭示磁化反转背后的能量障碍机制。

电机材料里的“磁迷宫”

电机核心通常由软磁材料构成，例如无取向电工钢（nonoriented electrical steel）。在这些材料内部，磁畴就像一块块微小区域，每个区域内部磁化方向一致，但不同区域之间的方向可能不同。

在某些条件下，这些磁畴会形成复杂的锯齿状网络，看起来像迷宫，因此被称为迷宫状磁畴。这种结构会随着温度变化和外部磁场改变而不断重排，使其行为极难用传统物理模型准确描述。

由于磁化反转必须通过磁畴的移动、合并或分裂来实现，磁畴网络的几何结构会直接影响每一次磁化循环中损失多少能量。

把磁畴图像变成可计算的数据

研究团队的分析流程从磁畴的显微图像开始。

关键步骤使用了一种来自拓扑数据分析的技术——持续同调（persistent homology）。这种方法能够从复杂空间结构中提取稳定的拓扑特征，例如：

• 环结构
• 分支连接
• 网络连通性

通过这种方式，原本混乱的迷宫状磁畴图像被转化为可量化的结构特征，使机器学习算法和物理模型能够进行分析。

换句话说，原本只能“看图理解”的复杂磁畴结构，被转化成了可用于物理计算的数据描述。

在自由能模型中加入“熵”

传统的Landau 或 Ginzburg–Landau 模型常用于描述相变和磁化行为，其核心思想是用自由能来表示系统状态。

但当面对迷宫状磁畴这种高度复杂的结构时，传统模型很难描述其中巨大的结构组合数量。

为了解决这个问题，研究团队在自由能框架中加入了一个新的变量：熵特征（entropy feature），构建出所谓的

熵特征扩展 Ginzburg–Landau 模型（entropy‑feature‑extended Ginzburg–Landau，简称 eX‑GL）。

这一扩展使模型不仅能表示能量项，还能描述结构复杂度带来的统计效应。简单来说：

• 能量项描述磁相互作用
• 熵项描述可能存在的微观结构排列数量

将拓扑特征输入这个自由能框架后，系统能够识别：

• 不同磁畴配置之间的能量障碍
• 磁化反转的路径
• 随温度变化的结构转变

因此，这个模型不仅能预测行为，还能解释背后的物理机制，属于可解释AI方法。

磁化反转背后的能量障碍

通过 eX‑GL 框架，研究人员分析了迷宫状磁畴在温度变化和外部磁场作用下如何演化。

结果显示，复杂磁畴结构对应着自由能景观中的特定能量障碍。这些障碍决定磁畴在磁化反转时需要跨越多大的能量门槛。

因此，磁化反转并不是一个简单的过程，而是多个因素竞争的结果：

• 磁相互作用能
• 磁畴网络的结构复杂度
• 温度对稳定性的影响

这种竞争会导致反转过程在某些情况下突然发生，并伴随明显能量耗散。

从微观磁畴到宏观铁损

该研究的重要突破之一，是建立了微观磁畴结构与宏观磁滞行为之间的直接联系。

通过分析磁畴结构在自由能景观中的位置，研究人员可以自动识别无取向电工钢等材料中铁损产生的具体机制。

由于磁滞损耗本质上来自磁畴结构不可逆的变化，识别这些能量障碍就意味着可以定位能量在哪些阶段被耗散。

对电动汽车电机的意义

电动汽车依赖高效率电机，而电机核心材料的铁损是效率的重要限制因素之一。

新的分析框架可以帮助工程师：

• 设计更优的钢材微观结构
• 调整材料加工工艺
• 预测材料在真实电机温度和磁场条件下的行为

如果能减少产生高能量障碍的磁畴结构，就有可能降低磁滞损耗，从而提升电机效率。不过目前研究并未给出具体的效率提升数值。

AI与材料物理结合的新方向

这项研究还展示了一种更广泛的方法：把人工智能与物理理论深度结合。

与“黑箱”机器学习不同，这种方法使用来自拓扑学和热力学的可解释特征，并嵌入到物理模型中，使研究人员既能获得预测能力，也能理解材料行为背后的机制。

随着材料科学越来越依赖数据分析，这类将AI与经典物理模型结合的框架，可能成为解析复杂微观结构的重要工具，并帮助发现许多此前难以解释的材料现象。