電動機材料入面嘅「磁性迷宮」

電動機核心通常由軟磁材料製成，例如無取向電工鋼（nonoriented electrical steel）。呢啲材料內部存在大量細小區域，稱為磁畴（magnetic domains），每個區域入面嘅磁化方向一致，但相鄰磁畴可能指向完全唔同方向。

喺某些材料入面，磁畴會形成錯綜複雜嘅鋸齒狀網絡，睇落好似迷宮一樣，因此被稱為迷宮式磁畴。呢種結構會隨住溫度同外加磁場改變而出現劇烈變化，令傳統物理模型好難精確描述。

而當磁場方向反轉時，磁畴需要移動、合併甚至分裂。呢啲細微結構點樣排列，會直接影響每一次磁化循環所消耗嘅能量。

將磁畴影像變成可分析嘅數據

研究團隊首先從顯微鏡拍攝嘅磁畴影像開始分析。

關鍵技術係一種叫做**持續同調（persistent homology）**嘅拓撲數據分析方法。佢可以從複雜空間結構中提取可量化特徵，例如：

• 迴圈結構
• 分支模式
• 網絡連通性

透過呢種方法，原本只係圖像嘅迷宮式磁畴圖案，可以轉換成一組數學描述，俾機器學習同物理模型進一步分析。

在自由能模型加入「熵」

傳統嘅Landau或Ginzburg–Landau模型，主要用能量項去描述磁化與相變過程。但對於迷宮式磁畴呢種擁有極大量可能排列方式嘅系統，傳統模型往往唔夠用。

研究團隊因此加入一個熵特徵（entropy feature），建立出所謂嘅
熵特徵擴展Ginzburg–Landau模型（entropy‑feature‑extended Ginzburg–Landau，簡稱 eX‑GL）。

喺呢個框架入面：

• 能量項描述磁性交互作用
• 熵項描述磁畴結構嘅統計複雜度

簡單講，熵反映咗某個磁畴形態可以對應幾多種微觀排列方式。

將持續同調提取嘅拓撲特徵放入呢個自由能模型之後，系統就可以分析：

• 不同磁畴形態之間嘅能量屏障
• 磁化反轉路徑
• 隨溫度變化嘅結構轉變

結果形成一個可解釋AI模型，可以直接把觀察到嘅磁畴圖案，連接到背後控制佢哋嘅物理能量結構。

找到磁化反轉背後嘅能量屏障

透過 eX‑GL 框架，研究人員分析迷宮式磁畴喺不同溫度同磁場條件下嘅演化過程。

結果顯示，複雜嘅磁畴圖案其實對應自由能地形入面特定嘅能量屏障（energy barriers）。呢啲屏障會決定磁畴喺磁化反轉時有幾容易重新排列。

換句話講，磁化反轉並唔只係簡單能量變化，而係以下幾種因素之間嘅競爭：

• 磁性交互能
• 磁畴網絡嘅結構複雜度
• 溫度帶來嘅熱效應

呢種競爭解釋咗點解迷宮式磁畴材料嘅磁化反轉往往會突然發生、對溫度敏感，而且伴隨明顯能量耗散。

從微觀磁畴到宏觀能量損耗

研究最重要嘅成果之一，係建立咗微觀磁畴結構同宏觀磁滯行為之間嘅直接聯繫。

透過分析磁畴特徵喺自由能地形中嘅位置，研究人員可以自動識別出導致能量損耗嘅機制，例如喺無取向電工鋼入面出現嘅磁化反轉過程。

由於磁滯損耗本質上來自磁畴排列嘅不可逆變化，識別出相關能量屏障，就等於知道能量喺循環過程中係邊度被消耗。

對電動車馬達效率有咩意義？

電動車嘅驅動馬達需要高效率軟磁材料。當馬達運作時，核心磁場會不斷改變方向，迫使磁畴反覆重組，從而產生鐵損。

如果工程師能夠透過呢個模型知道：

• 哪種磁畴結構最容易造成能量屏障
• 哪些溫度或材料條件會增加損耗

就有機會：

• 設計出更低損耗嘅電工鋼微結構
• 優化材料加工與熱處理條件
• 預測材料喺真實馬達環境下嘅行為

理論上，減少馬達內部嘅磁滯損耗，就可以提升整體效率。不過目前研究並未量化實際可提升多少效率。

AI與物理模型結合的新方向

呢項研究亦展示咗一個重要趨勢：可解釋AI結合傳統物理模型。

與其將機器學習當成黑盒工具，研究團隊將拓撲學同熱力學等可理解特徵融入模型，令AI既能預測，又能提供物理機制解釋。

隨住材料科學越來越依賴數據分析，類似 eX‑GL 呢種框架可能成為未來研究複雜微觀結構（例如磁性材料、相變材料等）嘅重要工具。

電動機材料入面嘅「磁性迷宮」

電動機核心通常由軟磁材料製成，例如無取向電工鋼（nonoriented electrical steel）。呢啲材料內部存在大量細小區域，稱為磁畴（magnetic domains），每個區域入面嘅磁化方向一致，但相鄰磁畴可能指向完全唔同方向。

喺某些材料入面，磁畴會形成錯綜複雜嘅鋸齒狀網絡，睇落好似迷宮一樣，因此被稱為迷宮式磁畴。呢種結構會隨住溫度同外加磁場改變而出現劇烈變化，令傳統物理模型好難精確描述。

而當磁場方向反轉時，磁畴需要移動、合併甚至分裂。呢啲細微結構點樣排列，會直接影響每一次磁化循環所消耗嘅能量。

將磁畴影像變成可分析嘅數據

研究團隊首先從顯微鏡拍攝嘅磁畴影像開始分析。

關鍵技術係一種叫做**持續同調（persistent homology）**嘅拓撲數據分析方法。佢可以從複雜空間結構中提取可量化特徵，例如：

• 迴圈結構
• 分支模式
• 網絡連通性

透過呢種方法，原本只係圖像嘅迷宮式磁畴圖案，可以轉換成一組數學描述，俾機器學習同物理模型進一步分析。

在自由能模型加入「熵」

傳統嘅Landau或Ginzburg–Landau模型，主要用能量項去描述磁化與相變過程。但對於迷宮式磁畴呢種擁有極大量可能排列方式嘅系統，傳統模型往往唔夠用。

研究團隊因此加入一個熵特徵（entropy feature），建立出所謂嘅
熵特徵擴展Ginzburg–Landau模型（entropy‑feature‑extended Ginzburg–Landau，簡稱 eX‑GL）。

喺呢個框架入面：

• 能量項描述磁性交互作用
• 熵項描述磁畴結構嘅統計複雜度

簡單講，熵反映咗某個磁畴形態可以對應幾多種微觀排列方式。

將持續同調提取嘅拓撲特徵放入呢個自由能模型之後，系統就可以分析：

• 不同磁畴形態之間嘅能量屏障
• 磁化反轉路徑
• 隨溫度變化嘅結構轉變

結果形成一個可解釋AI模型，可以直接把觀察到嘅磁畴圖案，連接到背後控制佢哋嘅物理能量結構。

找到磁化反轉背後嘅能量屏障

透過 eX‑GL 框架，研究人員分析迷宮式磁畴喺不同溫度同磁場條件下嘅演化過程。

結果顯示，複雜嘅磁畴圖案其實對應自由能地形入面特定嘅能量屏障（energy barriers）。呢啲屏障會決定磁畴喺磁化反轉時有幾容易重新排列。

換句話講，磁化反轉並唔只係簡單能量變化，而係以下幾種因素之間嘅競爭：

• 磁性交互能
• 磁畴網絡嘅結構複雜度
• 溫度帶來嘅熱效應

呢種競爭解釋咗點解迷宮式磁畴材料嘅磁化反轉往往會突然發生、對溫度敏感，而且伴隨明顯能量耗散。

從微觀磁畴到宏觀能量損耗

研究最重要嘅成果之一，係建立咗微觀磁畴結構同宏觀磁滯行為之間嘅直接聯繫。

透過分析磁畴特徵喺自由能地形中嘅位置，研究人員可以自動識別出導致能量損耗嘅機制，例如喺無取向電工鋼入面出現嘅磁化反轉過程。

由於磁滯損耗本質上來自磁畴排列嘅不可逆變化，識別出相關能量屏障，就等於知道能量喺循環過程中係邊度被消耗。

對電動車馬達效率有咩意義？

電動車嘅驅動馬達需要高效率軟磁材料。當馬達運作時，核心磁場會不斷改變方向，迫使磁畴反覆重組，從而產生鐵損。

如果工程師能夠透過呢個模型知道：

• 哪種磁畴結構最容易造成能量屏障
• 哪些溫度或材料條件會增加損耗

就有機會：

• 設計出更低損耗嘅電工鋼微結構
• 優化材料加工與熱處理條件
• 預測材料喺真實馬達環境下嘅行為

理論上，減少馬達內部嘅磁滯損耗，就可以提升整體效率。不過目前研究並未量化實際可提升多少效率。

AI與物理模型結合的新方向

呢項研究亦展示咗一個重要趨勢：可解釋AI結合傳統物理模型。

與其將機器學習當成黑盒工具，研究團隊將拓撲學同熱力學等可理解特徵融入模型，令AI既能預測，又能提供物理機制解釋。

隨住材料科學越來越依賴數據分析，類似 eX‑GL 呢種框架可能成為未來研究複雜微觀結構（例如磁性材料、相變材料等）嘅重要工具。