Электродвигатели кажутся довольно понятной техникой: ток создаёт магнитное поле, ротор вращается, энергия превращается в движение. Но внутри магнитных материалов всё сложнее. Часть энергии не идёт в полезную работу, а рассеивается в виде тепла — и именно эти потери давно мешают делать моторы эффективнее.

Группа японских исследователей из Tokyo University of Science, Университета Цукубы, Университета Окаямы и Киотского университета предложила новый способ анализа таких потерь. Они разработали физически обоснованную ИИ-модель eX-GL — entropy-feature-eXtended Ginzburg-Landau model, которая помогает объяснить, как меняются сложные магнитные структуры при нагреве и перемагничивании.

Энергия теряется в магнитных «лабиринтах»

В мягких магнитных материалах есть микроскопические области — магнитные домены. Когда магнитное поле меняется, эти домены перестраиваются. В идеале энергия должна уходить на работу мотора, но в реальности часть её теряется на магнитный гистерезис и превращается в тепло.

Особенно сложная картина возникает в так называемых maze domains — лабиринтных магнитных структурах. Они выглядят не как ровный узор, а как запутанная сеть линий и областей. При изменении температуры такие структуры перестраиваются, и обычными методами трудно понять, какие именно элементы отвечают за потери энергии.

Главная идея исследования: не просто увидеть магнитный «лабиринт», а связать его форму с энергетическими барьерами, из-за которых материал теряет энергию при перемагничивании.

Объяснимый ИИ вместо «чёрного ящика»

Здесь важно, что речь не о нейросети, которая просто нашла скрытую корреляцию в данных. Исследователи построили модель, опирающуюся на физику: она расширяет классический подход Гинзбурга — Ландау и добавляет энтропийный член, чтобы учитывать тепловые флуктуации.

Это делает работу ближе к объяснимому ИИ, а не к типичному «чёрному ящику». Модель показывает, как микроскопическая структура доменов связана со свободной энергией системы и как температура влияет на процесс перемагничивания.

Проще говоря, ИИ здесь не заменяет физику. Он помогает упаковать сложные изображения и данные в такую форму, где можно увидеть причинно понятную картину.

Четыре барьера на пути энергии

Исследователи применили модель к материалу rare-earth iron garnet, или редкоземельному железному гранату. Это удобный модельный материал для визуализации лабиринтных доменных структур. eX-GL позволила построить карту свободной энергии и выделить четыре энергетических барьера, которые управляют температурно-зависимым процессом перемагничивания.

Если упростить, доменным стенкам — границам между магнитными областями — приходится проходить через эти барьеры при изменении магнитного состояния. Такие переходы и связаны с потерями энергии.

Это не означает, что учёные уже нашли готовый рецепт идеального электродвигателя. Но они получили более точный язык для описания того, где именно в материале возникают трудности.

Что это может дать на практике

Для электромобилей и промышленной техники снижение потерь в моторах — важная задача. Чем меньше энергии уходит в нагрев, тем выше КПД, меньше нагрузка на охлаждение и потенциально лучше запас хода.

Работа японских физиков не обещает быстрый скачок эффективности. Скорее она даёт инструмент для будущего подбора и проектирования магнитных материалов. Вместо того чтобы сравнивать сплавы почти вслепую, инженеры смогут точнее смотреть, как устроены энергетические барьеры и доменные структуры.

Где есть ограничения

Главное ограничение — исследование выполнено на модельном материале, а не на промышленной электротехнической стали, из которой обычно делают сердечники электродвигателей. Это честно снижает дистанцию до практики: метод выглядит перспективно, но его ещё нужно перенести на реальные материалы и производственные условия.

Поэтому фраза «ИИ раскрыл секрет нагрева электродвигателей» звучит слишком громко. Точнее сказать так: ИИ-модель помогла физикам лучше понять один из механизмов магнитных потерь. Это спокойнее, но ближе к сути.

Итог

Обычно новости про ИИ в науке звучат так, будто нейросеть просто нашла закономерность в огромном массиве данных. Здесь случай другой: модель встроена в физическую теорию и помогает объяснять процесс, а не только предсказывать результат. Это важный пример того, как ИИ может быть не заменой учёного, а инструментом для работы со сложными материалами. Если подход удастся перенести на промышленные магнитные сплавы, он может ускорить поиск более эффективных материалов для моторов.

Модель не делает вид, что знает физику лучше человека, а помогает разложить сложную картину магнитных доменов на понятные элементы. До практических электродвигателей ещё далеко, потому что экспериментальный материал не равен промышленной стали. Но направление выглядит полезным: меньше гадания, больше понимания того, где именно теряется энергия.

Источник: Tokyo University of Science Scientific Reports ScienceDaily