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 Wissenschaftsfonds FWF geförderten Projekts versuchen Forscher der Donau-Universität Krems, mithilfe künstlicher Intelligenz (KI) den Anteil Seltener Erden in Magneten zu reduzieren und gleichzeitig ihre Leistung für den Einsatz in Motoren und Generatoren zu verbessern.
Seltene Erden: Bedarf wird bis 2030 um das Vierfache steigen
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 kann Leistung von Magnetkörnern prognostizieren
Um herauszufinden, welche Zusammensetzung von Elementen umweltfreundlichere, billigere und leistungsfähigere Magnete ergibt, setzt Özelt auf künstliche Intelligenz (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.
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.
Rechenzeit wurde von einem Tag auf wenige Sekunden reduziert
"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 FWF-Aussendung. 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. Özelt: "Machine Learning nimmt uns dabei den Schritt ab, in überfordernd vielen Datensätzen und Kombinationen Zusammenhänge für gutes Magnetdesign zu sehen."