Sistema com IA promete maior eficiência para carros elétricos

Pesquisadores da Universidade de Ciência de Tóquio, em Scientific Reports, usaram inteligência artificial para investigar domínios magnéticos em motores elétricos e identificar perdas de energia na forma de calor.
O modelo chamado eX-GL combina física, matemática avançada e aprendizado de máquina para mapear padrões ocultos e barreiras energéticas que invertêm a magnetização.
A técnica de homologia persistente ajudou a detectar estruturas complexas em imagens de domínios magnéticos e a criar um mapa energético do comportamento interno dos motores.
A pesquisa aponta que a complexidade dos domínios aumenta conforme as paredes dessas estruturas crescem, impactando a dissipação de energia durante o funcionamento.
Os resultados indicam caminhos para desenvolver materiais magnéticos mais eficientes e resistentes ao calor, com potencial benefício para carros elétricos e outras aplicações, acelerando tecnologias energéticas sustentáveis.

A pesquisa desenvolvida pela Universidade de Ciência de Tóquio usa inteligência artificial para investigar perdas de energia em motores elétricos. O estudo, publicado na revista Scientific Reports, aponta padrões magnéticos ocultos que geram calor e reduzem a eficiência de veículos elétricos. A abordagem combina física, matemática e aprendizado de máquina para mapear o comportamento interno dos materiais magnéticos.

Os cientistas destacam que o fenômeno ocorre nos domínios magnéticos dentro dos motores. Esses domínios formam estruturas complexas que se comportam como labirintos em escala microscópica, levando a perdas por histerese quando o campo magnético se inverte durante o funcionamento.

A equipe apresenta o modelo eX-GL, que integra física, matemática avançada e IA. O sistema analisa imagens de domínios magnéticos em várias temperaturas e identifica padrões ocultos, além de mapear barreiras energéticas associadas à inversão da magnetização. A técnica usa homologia persistente para detectar estruturas em grandes conjuntos de dados.

Descoberta e método

Os resultados indicam que a complexidade dos domínios cresce conforme o tamanho das paredes das estruturas aumenta. Esse fator modifica a quantidade de energia dissipada durante o funcionamento do motor, sobretudo em altas temperaturas.

A descoberta pode levar ao desenvolvimento de materiais magnéticos mais eficientes e resistentes ao calor. A melhoria esperada é a redução de desperdícios energéticos em carros elétricos, além de aplicações em setores industriais e em dispositivos eletrônicos.

Impactos e perspectivas

Os pesquisadores sugerem que a combinação entre IA e termodinâmica acelera a criação de tecnologias energéticas mais sustentáveis. O método pode ser aplicado a outras áreas da física dos materiais, ampliando o leque de aplicações futuras.