El modelo predice la temperatura de Curie (la máxima a la que un material mantiene su magnetismo) de nuevas combinaciones de materiales.
Los imanes de alto rendimiento son esenciales para tecnologías como la energía eólica, el almacenamiento de datos, los vehículos eléctricos y la refrigeración magnética.
Estos imanes contienen materiales críticos como cobalto y elementos de tierras raras como neodimio y disprosio, los cuales tienen una gran demanda pero disponibilidad limitada.
Tal situación motiva a los investigadores a encontrar formas de diseñar nuevos materiales magnéticos con materiales críticos reducidos.
El aprendizaje automático (ML) es una forma de inteligencia artificial y está impulsado por algoritmos informáticos que utilizan datos y algoritmos de prueba y error para mejorar continuamente sus predicciones.
«Encontrar compuestos con la alta temperatura de Curie es un primer paso importante en el descubrimiento de materiales que puedan mantener propiedades magnéticas a temperaturas elevadas», dijo Yaroslav Mudryk, líder del equipo de investigación.
«Este aspecto es fundamental para el diseño no sólo de imanes permanentes sino también de otros materiales magnéticos funcionales», detalló.
Mudryk señaló que descubrir nuevos materiales es una actividad desafiante porque la búsqueda se basa tradicionalmente en la experimentación, que es costosa y requiere mucho tiempo ,sin embargo, utilizar un método de aprendizaje automático puede ahorrar tiempo y recursos.
rgh/lpn
