AI เปิดเผยความโกลาหลทางแม่เหล็กที่ซ่อนอยู่ ต้นตอการสูญเสียพลังงานในมอเตอร์ไฟฟ้า

Key takeaway

• ทีมนักวิจัยจาก Tokyo University of Science พัฒนาโมเดล eX-GL (entropy-feature-eXtended Ginzburg-Landau) ที่ผสาน Physics-Based AI เข้ากับ Persistent Homology และ ML-Based Pattern Recognition เพื่อวิเคราะห์โครงสร้าง Maze Domains ใน Soft Magnetic Materials ได้อย่างแม่นยำกว่า Conventional Simulation แบบเดิมอย่างมีนัยสำคัญ
• โมเดลสามารถ Visualize Hidden Energy Barriers ทั้ง 4 รายการที่ควบคุม Magnetization Reversal Dynamics ได้สำเร็จ โดยเผยให้เห็นว่าความซับซ้อนของ Maze Domains ถูกขับเคลื่อนโดย Interaction ระหว่าง Entropy และ Exchange Forces ซึ่งเป็น Root Cause ของ Iron Loss หรือ Magnetic Hysteresis Loss ที่ทำให้พลังงานรั่วไหลเป็นความร้อนใน Motor Core
• เนื่องจาก Free Energy เป็น Universal Thermodynamic Metric framework นี้จึงมีศักยภาพสูงในการนำไป Scale ใช้กับระบบแม่เหล็กและวัสดุอื่นๆ ได้อีก ซึ่งเปิดทางสู่การออกแบบ Electric Motor รุ่นถัดไป ที่มี Energy Efficiency สูงขึ้นสำหรับอุตสาหกรรม EV โดยตรง

การเติบโตอย่างรวดเร็วของยานยนต์ไฟฟ้า (EV) ได้จุดประกายความพยายามครั้งใหญ่ในการเพิ่มประสิทธิภาพพลังงานของมอเตอร์ไฟฟ้า โดยหนึ่งในความท้าทายสำคัญที่นักวิจัยทั่วโลกให้ความสนใจคือปัญหา Iron Loss หรือที่รู้จักในชื่อ Magnetic Hysteresis Loss ซึ่งเกิดขึ้นเมื่อสนามแม่เหล็กภายในมอเตอร์สลับทิศทางซ้ำๆ อย่างต่อเนื่อง กระบวนการดังกล่าวทำให้พลังงานส่วนหนึ่งรั่วไหลออกไปในรูปของความร้อนภายใน Motor Core ที่ผลิตจาก Soft Magnetic Materials

ยิ่งไปกว่านั้น เนื่องจากมอเตอร์ไฟฟ้ามักทำงานในสภาวะอุณหภูมิสูง Thermal Effects จึงอาจทำให้วัสดุเหล่านี้เกิดการ Demagnetize บางส่วน ส่งผลให้ปัญหาการสูญเสียพลังงานยิ่งทวีความซับซ้อนมากขึ้น

ปัจจัยสำคัญเบื้องหลังปรากฏการณ์เหล่านี้คือพฤติกรรมของ Magnetic Domains ซึ่งเป็นบริเวณแม่เหล็กขนาดจิ๋วภายในวัสดุ การจัดเรียงและโครงสร้างของ Domain เหล่านี้มีผลอย่างมากต่อการตอบสนองของวัสดุแม่เหล็กต่อความร้อน รวมถึงปริมาณพลังงานที่สูญเสียไประหว่างการทำงาน

Maze Domains: โครงสร้างแม่เหล็กปริศนาที่ซับซ้อน

Soft Magnetic Materials บางชนิดมีโครงสร้างแม่เหล็กภายในที่ซับซ้อนอย่างยิ่ง เรียกว่า Maze Domains ซึ่งได้ชื่อมาจากลักษณะที่คดเคี้ยวพันกันคล้ายเขาวงกต โครงสร้างเหล่านี้สามารถเปลี่ยนแปลงอย่างกะทันหันเมื่ออุณหภูมิขึ้นหรือลง และส่งผลโดยตรงต่อปริมาณการสูญเสียพลังงานในวัสดุ

อย่างไรก็ตาม นักวิทยาศาสตร์ยังคงเผชิญความยากลำบากในการทำความเข้าใจโครงสร้างเหล่านี้อย่างถ่องแท้ เนื่องจากมีปัจจัยที่เกี่ยวพันกันหลายด้าน ทั้ง Microstructure, Thermal Effects และ Energy Stability

เพื่อไขปริศนานี้ ทีมนักวิจัยนำโดย Prof. Masato Kotsugi และ Dr. Ken Masuzawa จากภาควิชา Material Science and Technology มหาวิทยาลัยวิทยาศาสตร์โตเกียว (TUS) ประเทศญี่ปุ่น ร่วมกับนักวิจัยจากมหาวิทยาลัย Tsukuba, Okayama และ Kyoto ได้พัฒนาโมเดลใหม่ที่เรียกว่า entropy-feature-eXtended Ginzburg-Landau (eX-GL) Model ขึ้นมา โดยนำโมเดลนี้ไปศึกษา Energy Landscape ของ Maze Domains ใน Rare-Earth Iron Garnet (RIG)

"Conventional Simulations ทำให้วัสดุจริงดูง่ายเกินความเป็นจริง ขณะที่การทดลองเผยให้เห็นความซับซ้อนโดยไม่มีวิธีที่ชัดเจนในการวัดความสัมพันธ์เชิงเหตุและผล" — Prof. Kotsugi กล่าว "Physics-Based Explainable AI Framework ของเราได้รับการออกแบบมาเพื่อแก้ไขข้อจำกัดเหล่านี้ และอธิบายกระบวนการ Temperature-Dependent Magnetization Reversal อย่างเป็นกลไกโดยตรง"

ผลการวิจัยนี้ได้รับการตีพิมพ์ในวารสารวิชาการ Scientific Reports

AI และ Physics รวมพลังเปิดเผยพฤติกรรมแม่เหล็กที่ซ่อนอยู่

เพื่อศึกษาว่าอุณหภูมิส่งผลต่อกระบวนการ Magnetization Reversal ใน Maze Domains อย่างไร ทีมนักวิจัยได้บันทึกภาพ Microscopic ของ Magnetic Domains ในตัวอย่าง RIG ที่อุณหภูมิหลากหลายระดับ แล้วนำภาพทั้งหมดมาวิเคราะห์ผ่าน eX-GL Model

กระบวนการทำงานของโมเดลแบ่งออกเป็นหลายขั้นตอน โดยขั้นตอนแรกใช้ Persistent Homology (PH) ซึ่งเป็นเครื่องมือทางคณิตศาสตร์ขั้นสูงสำหรับระบุ Topological Features ภายในข้อมูล ช่วยให้ทีมตรวจจับลักษณะโครงสร้างที่ผิดปกติในภาพ Magnetic Domain ได้อย่างแม่นยำ จากนั้น ML-Based Pattern Recognition ถูกนำมาใช้เพื่อคัดกรอง Features ที่มีนัยสำคัญที่สุดจากข้อมูล PH และสร้าง Digital Free-Energy Landscape สำหรับติดตามวิวัฒนาการของ Magnetic Microstructures เมื่อพลังงานเปลี่ยนแปลง ก่อนที่การวิเคราะห์ทางคณิตศาสตร์ในขั้นสุดท้ายจะเชื่อมโยงโครงสร้าง Microscopic Domain เหล่านี้เข้ากับกระบวนการ Magnetization Reversal ในระดับที่ใหญ่ขึ้น

ผลที่ได้คือทีมนักวิจัยสามารถระบุ Dominant Feature ที่เรียกว่า PC1 ซึ่งสามารถจับกระบวนการ Magnetization Reversal ได้สำเร็จ และเมื่อเชื่อมโยง PC1 เข้ากับคุณสมบัติทางฟิสิกส์ ทีมสามารถ Visualize Energy Barriers หลักสี่รายการที่ส่งผลอย่างมีนัยสำคัญต่อ Magnetization Reversal Dynamics

เปิดโปง Hidden Energy Barriers ในวัสดุแม่เหล็ก

การวิเคราะห์เชิงลึกของ Energy Barriers และ Microstructures ที่เกี่ยวข้องช่วยให้นักวิจัยเข้าใจได้ชัดเจนยิ่งขึ้นว่าพลังงานในรูปแบบต่างๆ ส่งผลต่อ Magnetization Reversal อย่างไร โดยทีมได้วัดการถ่ายเทพลังงานที่เชื่อมโยงกับ Exchange Interactions, Demagnetizing Effects และ Entropy

นอกจากนี้ ยังพบว่า Maze Domains มีความซับซ้อนเพิ่มขึ้นตามสัดส่วนของความยาว Domain Walls ที่ยาวขึ้น โดยความซับซ้อนดังกล่าวถูกขับเคลื่อนโดย Interaction ระหว่าง Entropy และ Exchange Forces ซึ่งผลลัพธ์เหล่านี้ช่วยชี้แจงกลไกทางฟิสิกส์เบื้องหลังพฤติกรรม Maze-Domain Reversal ได้อย่างเป็นรูปธรรม

"eX-GL Approach ของเราสามารถ Automate การตีความกระบวนการ Magnetization Reversal ที่ซับซ้อนได้อย่างมีประสิทธิภาพ และช่วยระบุกลไกที่ซ่อนอยู่ซึ่งยากต่อการแยกแยะด้วยวิธีการแบบดั้งเดิม" — Prof. Kotsugi กล่าว "ยิ่งกว่านั้น เนื่องจาก Free Energy เป็น Universal Thermodynamic Metric โมเดลของเราจึงสามารถนำไปขยายผลกับระบบอื่นๆ ที่มีลักษณะคล้ายคลึงกันได้อีกด้วย"

โดยรวมแล้ว งานวิจัยชิ้นนี้ไม่เพียงให้ความกระจ่างเกี่ยวกับกลศาสตร์ของ Maze Domains เท่านั้น แต่ยังนำเสนอกลยุทธ์ที่กว้างขึ้นสำหรับการตรวจสอบ Complex Energy Landscapes ในระบบแม่เหล็กและวัสดุทางฟิสิกส์อื่นๆ ที่เกี่ยวข้อง ซึ่งอาจเป็นก้าวสำคัญสู่การออกแบบมอเตอร์ไฟฟ้าที่มีประสิทธิภาพสูงขึ้นในอนาคต

Why it matters

💡 นักวิจัยจากมหาวิทยาลัยวิทยาศาสตร์โตเกียวได้พัฒนาโมเดล AI ที่ผสานฟิสิกส์เข้าด้วยกัน เพื่อไขความลับของ Maze Domains โครงสร้างแม่เหล็กซับซ้อนที่เป็นต้นเหตุของการสูญเสียพลังงานในมอเตอร์ไฟฟ้า ซึ่งส่งผลโดยตรงต่อประสิทธิภาพของยานยนต์ไฟฟ้า (EV) การค้นพบนี้เปิดเผย Energy Barriers ที่ซ่อนอยู่และกลไก Magnetization Reversal ที่ไม่เคยเข้าใจได้มาก่อน นับเป็นก้าวสำคัญสู่การออกแบบมอเตอร์ไฟฟ้าที่มีประสิทธิภาพสูงขึ้นในอนาคต ซึ่งทุกคนในวงการ EV และ Material Science ไม่ควรพลาด

ข้อมูลอ้างอิงจาก https://www.sciencedaily.com/releases/2026/05/260517211433.htm