最强铁基超导磁体诞生！科学家基于机器学习设计新研究体系，磁场强度超过先前记录2.7倍
内容提要
超导现象是指某些材料在低温下电阻突然降为零，具有广泛应用前景。铁基高温超导体(IBSs)能在相对较高温度下实现超导，且具有高上临界场特性。科学家利用机器学习技术成功制造出世界上已知最强的铁基超导磁体，有望促进新一代磁共振成像技术和电气化运输技术的发展。研究使用了研究人员驱动和数据驱动相结合的研究体系，通过机器学习算法预测合成条件，成功研制出实用的铁基超导永磁体。
延伸解读
铁基超导磁体的性能突破
该研究成功制造出世界上已知最强的铁基超导磁体，在5K温度下捕获磁场达到2.83T，约为先前铁基超导磁体记录的2.7倍。这一突破得益于铁基超导体高上临界场的特性，使其在高磁场下仍能保持超导态。同时，捕获磁场在中心处表现出极高的稳定性，衰减率低于-0.1 ppm/h，这对于需要长时间稳定磁场的应用如磁共振成像至关重要。
机器学习如何加速超导材料研发
研究采用BOXVIA机器学习系统，将研究人员驱动与数据驱动方法结合，通过贝叶斯优化预测最佳合成条件。研究人员聚焦于三个关键工艺参数：升温速率、最大温度和保持时间，利用高斯过程回归建模临界电流密度与参数的关系。这种方法无需明确方程，即可高效探索参数空间，显著提升了研发效率，为超导材料发现提供了新思路。
微观结构对磁体性能的影响
对比两种方法制备的样品，Bulk2采用研究人员驱动方法，在600°C下短时间烧结，形成了由数十纳米非晶相组成的致密网络结构，有利于提高临界电流密度。而Bulk1通过数据驱动方法，在低温下长时间烧结，显示出分离的细小颗粒趋势。微观结构的差异导致了两者在磁场依赖性和电流密度分布上的不同表现，说明工艺参数对最终性能有决定性影响。
AI在超导材料探索中的角色与局限
近年来，AI工具如谷歌DeepMind的GNoME和微软的MatterGen在材料预测和设计上展现出巨大潜力，GNoME成功预测了220万种晶体结构，其中38万种稳定材料。然而，超导体的微观机理仍未完全理解，AI虽能加速材料筛选和优化，但超导体的实际应用仍面临挑战。这项研究展示了AI与专家知识结合的有效性，但距离大规模应用还有距离。
Q&A
铁基高温超导体的超导临界温度是多少？
铁基高温超导体的超导临界温度可达约60K。
科学家如何利用机器学习设计铁基超导磁体？
科学家结合研究人员驱动和数据驱动的方法，使用机器学习算法预测合成条件，成功制造出铁基超导磁体。
新研制的铁基超导永磁体的磁场强度是多少？
新研制的铁基超导永磁体的磁场强度为2.83T，超过先前记录2.7倍。
研究中使用了哪些关键工艺参数？
研究中专注于三个关键工艺参数：升温和速率、最大温度和保持时间。
研究成果对未来技术有哪些潜在影响？
研究成果有望促进新一代磁共振成像技术和电气化运输技术的发展。
AI技术如何提升超导材料的发现效率？
AI技术通过预测材料特性和优化设计流程，大幅提升了超导材料的发现效率。
