Gleichzeitig soll ihre Leistung für den Einsatz in Motoren und Generatoren verbessert werden.
Die Abhängigkeit von seltenen Erden wird kritisch gesehen, weil der Abbau der entsprechenden Erze mit enormem Aufwand und großen Umweltbelastungen verbunden und die Förderung fest in chinesischer Hand ist. Die EU-Kommission schätzt zudem, dass der Bedarf bis 2030 um das Vierfache steigen wird.
Harald Özelt vom in Wiener Neustadt ansässigen Zentrum für Modellierung und Simulation der Universität für Weiterbildung Krems (Donau-Uni) arbeitet an alternativen Designverfahren, die u. a. den Anteil der seltenen Erden reduzieren bzw. ganz ersetzen. Er konzentriert sich dabei auf die kleinsten Einheiten von Dauermagneten, einzelne Magnetkörner.
Software sagt Leistungsparameter voraus
Um herauszufinden, welche Zusammensetzung von Elementen umweltfreundlichere, billigere und leistungsfähigere Magnete ergibt, setzt Özelt auf KI. Seine Machine-Learning-Software kann die Leistungsparameter der Magnetkörner, abhängig von der Materialzusammensetzung und räumlichen Anordnung, vorhersagen. Die Trainingsdaten für das Modell gewinnet das Forschungsteam aus bereits publizierten Messungen und eigenen Simulationen.
Als erster Input wurde ein neuronales Netz mit 4.000 klassischen Simulationen trainiert. Die Trainingsmethoden werden dabei in Kooperation mit der Forschungsplattform „Mathematics – Magnetism – Materials“ an der Universität Wien laufend verbessert.
Wenige Sekunden ersetzen einen Tag Rechenzeit
„Eine herkömmliche Simulation braucht jeweils einen Tag Rechenzeit. Wenn wir diesen Prozess mit einer trainierten Künstlichen Intelligenz vorhersagen können, dauert es jedes Mal nur wenige Sekunden“, so Özelt in einer Aussendung des Wissenschaftsfonds FWF, der das Projekt fördert.
Vielversprechende Vorhersagen werden dann mittels physikalischer Simulation validiert und deren Ergebnisse wieder eingespeist.
Weil die Forscher bestimmen können, warum die KI eine bestimmte Vorhersage gemacht hat und welcher Input für gutes Design wichtig war, können sie über den „Umweg“ der KI auch neue Erkenntnisse über magnetische Phänomene und Eigenschaften gewinnen. „Machine Learning nimmt uns dabei den Schritt ab, in überfordernd vielen Datensätzen und Kombinationen Zusammenhänge für gutes Magnetdesign zu sehen“, so Özelt.