UNH 研究人員利用人工智慧（AI）挖掘出 25 種新磁性材料（Magnetic Materials）

在材料科學（Material Science）和人工智慧領域的一項重大進展中，新罕布什爾大學（University of New Hampshire, UNH）的研究人員成功部署了一種人工智慧驅動的方法，識別出 25 種此前未知的磁性材料。這項發表於《自然通訊》（Nature Communications）期刊的突破性成果，不僅展示了機器學習（Machine Learning）在加速科學發現方面的力量，也為減少全球對關鍵稀土元素（Rare Earth Elements）的依賴提供了一條充滿前景的途徑。

這項研究由博士生 Suman Itani 和物理學教授 Jiadong Zang 領導，利用先進的人工智慧演算法挖掘了數十年的現有科學文獻。其結果是創建了 東北材料數據庫（Northeast Materials Database），這是一個包含超過 67,000 種磁性材料的綜合數位儲存庫。其中有近二十種新識別出的化合物，能夠在高溫下保持磁性——這是它們用於電動車（EVs）、風力發電機和其他綠色技術的關鍵要求。

加速發現：人工智慧方法論

傳統的新材料發現過程通常是一個緩慢且勞動力密集的過程，需要科學家對數百萬種潛在的化學組合進行物理測試。UNH 團隊透過訓練一個 人工智慧 系統來「閱讀」並解釋大量的科學論文檔案，繞過了這一瓶頸。

這種新穎的方法涉及結合自然語言處理（Natural Language Processing, NLP）與物理建模（Physical Modeling）的混合工作流。該人工智慧系統旨在：

1. 掃描與提取： 快速解析數千篇學術論文，以提取關鍵實驗數據和化學公式。
2. 驗證與建模： 將提取的數據輸入到預測磁性（特別是熱穩定性）的電腦模型中。
3. 資料庫編譯： 將發現組織成可搜索的開放獲取格式，供全球科學界使用。

「我們正在應對材料科學中最困難的挑戰之一——尋找永磁體的永續替代品，」Jiadong Zang 教授表示。他樂觀地認為，這種新的實驗資料庫與不斷發展的人工智慧技術相結合，將使無稀土磁體的目標得以實現。

稀土替代品的策略重要性

這項發現正值技術和製造業的關鍵時期。現代高性能磁體對於電動車的馬達和再生能源系統的發電機至關重要，目前高度依賴 稀土元素，如釹和鏑。這些元素不僅昂貴，而且容易受到少數全球供應商主導的波動供應鏈的影響。

透過識別無需這些稀缺資源即可有效發揮作用的材料，UNH 團隊的研究直接解決了美國製造業基礎的一個主要漏洞。

新發現的主要好處：

• 降低成本： 稀土磁體的替代品可以顯著降低電動車和清潔能源基礎設施的生產成本。
• 供應鏈安全： 開發國內或更豐富的替代品可以減少對進口材料的依賴。
• 永續性（Sustainability）： 最大限度地減少稀土元素的開採可減輕與其提取相關的環境影響。

深入探討：東北材料數據庫

這項研究的基石是 東北材料數據庫，它現在已成為全球研究人員的重要工具。與以往可能僅依賴理論計算的數據集不同，該資料庫基於從歷史文獻中挖掘的實驗數據，彌合了理論與已知現實之間的差距。

下表概述了新資料庫與傳統發現方法相比的範圍和影響：

比較：傳統發現 vs. 人工智慧驅動的資料庫

該資料庫包含 25 種先前被忽視但顯示出在高溫下具有高度穩定潛力的特定化合物。第一作者 Suman Itani 強調，加速這些永續材料的發現是加強經濟和推進綠色技術的關鍵。

人工智慧在科學領域的更廣泛影響

除了在磁學領域的直接應用外，UNH 團隊開發的技術對於科學知識如何數位化和利用具有深遠影響。所採用的人工智慧模型不僅能夠處理文本，還能解釋圖像並將其轉換為富文本格式。

這種能力暗示了一個未來，人工智慧可以使龐大的圖書館藏書現代化，將靜態的、不可搜尋的科學記錄轉化為動態的、可操作的數據。合著者、物理學和化學博士後研究員 Yibo Zhang 指出，該專案背後的大型語言模型（Large Language Models）可能會在高等教育和數位存檔中得到廣泛應用。

結論

由 新罕布什爾大學 團隊開展的工作代表了我們處理材料創新方式的範式轉移（Paradigm Shift）。透過讓人工智慧釋放在埋藏於數十年科學論文中的「被遺忘」知識，研究人員解鎖了解決現代能源挑戰的潛在解決方案寶庫。隨著 東北材料數據庫 的發展和人工智慧模型變得更加精煉，部署永續、無稀土技術的時間表可能會顯著縮短，這標誌著人工智慧與環境永續發展的雙重勝利。