전기 모터와 녹색 기술에서 희토류 자석에 대한 의존성은 전략적 및 환경적 위험을 초래합니다. 효율적으로 대안을 찾기 위해 연구자들이 약 68,000개의 화합물을 포함한 Northeast Materials Database를 만들었습니다. 그 핵심 혁신은 수천 개의 과학 논문에서 실험 데이터를 자동으로 추출하고 구조화하는 인공지능의 사용으로, 산재된 정보를 재료 발견을 위한 실행 가능한 자원으로 변환합니다.
텍스트 데이터에서 시뮬레이션 가능한 결정 구조로: AI의 역할 🤖
이 데이터베이스는 재료를 설계하지 않고 고급 검색 엔진으로 작동합니다. AI는 논문을 파싱하여 보자력, 포화 자화, 큐리 온도와 같은 핵심 속성을 포착하고, 이를 화합물의 화학 조성과 결정 구조에 연결합니다. 이를 통해 연구자들은 몇 분 만에 후보를 필터링하고 3D로 원자 구조를 시각화할 수 있습니다. 이후 시뮬레이션 소프트웨어를 사용하여 실험실 합성 전에 이러한 후보의 자기 거동을 모델링할 수 있어 시행착오 주기를 급격히 줄일 수 있습니다.
재료 과학을 위한 새로운 계산 패러다임 ⚗️
이 방법론은 근본적인 변화를 나타냅니다: 연구는 축적된 실험 지식의 채굴과 지능적 분석을 통해 진행됩니다. 문헌에서 추출된 유망한 데이터가 있는 화합물을 우선시함으로써 시뮬레이션 및 실험 자원을 최적화합니다. AI, 구조화된 데이터베이스, 3D 모델링을 결합한 이 하이브리드 접근법은 지속 가능한 방식으로 핵심 재료를 개발하고 탈탄소화 경제로의 기술 전환을 가속화하는 데 필수적입니다.
고성능 데이터베이스와 AI를 어떻게 결합하여 희토류 의존성을 제거할 수 있는 실행 가능한 자성 합금을 발견하고 설계하고 있습니까? 🧲
(PD: 분자 수준에서 재료를 시각화하는 것은 돋보기로 모래 폭풍을 보는 것과 같습니다.)