KI optimiert Magnete für die grüne Wende
Die grüne Wende verlangt nach Hochleistungsmagneten. Für Berechnungen, wie hoch der Anteil Seltener Erden sein muss, wird nun Künstliche Intelligenz eingesetzt.
Das Wichtigste in Kürze
- Sie soll herausfinden, welche Zusammensetzung von Elementen nötig ist.
- Dabei sollen die Magnete möglichst umweltfreundlich, billig und leistungsfähig sein.
Für die grüne Wende braucht man Hochleistungsmagnete, etwa für Elektromotoren oder Windturbinen. Für deren Herstellung werden allerdings teure und begrenzt verfügbare Seltene Erden benötigt.
Im Rahmen eines vom österreichischen Wissenschaftsfonds FWF geförderten Projekts versuchen Forscher mit Hilfe Künstlicher Intelligenz (KI) den Anteil Seltener Erden in Magneten zu reduzieren und deren Leistung für den Einsatz in Motoren und Generatoren zu verbessern.
Harald Özelt vom Zentrum für Modellierung und Simulation der Universität für Weiterbildung Krems (Donau-Uni) arbeitet an alternativen Designverfahren. Er konzentriert sich dabei auf die kleinsten Einheiten von Dauermagneten, einzelne Magnetkörner.
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 gewinnen die Forscher aus bereits publizierten Messungen und eigenen Simulationen.
Künstliche Intelligenz bracht nur wenige Sekunden Rechenzeit
Als erster Input wurde ein neuronales Netz mit 4000 klassischen Simulationen trainiert. Die Trainingsmethoden werden dabei in Kooperation mit der Forschungsplattform «Mathematics – Magnetism – Materials» an der Universität Wien laufend verbessert.
«Eine herkömmliche Simulation braucht jeweils einen Tag Rechenzeit. Wenn wir diesen Prozess mit einer trainierten Künstlichen Intelligenz vorhersagen können, dauert es nur wenige Sekunden», so Özelt in einer FWF-Mitteilung. 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.
