Động cơ điện thường gặp tổn hao sắt từ (iron loss), hay còn gọi là tổn hao do trễ từ, khi từ trường liên tục đảo chiều trong lõi động cơ. Nhiệt độ cao càng làm suy yếu từ tính và khiến việc kiểm soát tổn hao khó khăn hơn. Đặc biệt, cách sắp xếp các miền từ – những vùng từ tính nhỏ trong vật liệu – đóng vai trò quan trọng trong hành vi của động cơ.

Trong một số vật liệu từ mềm, các miền này tạo thành cấu trúc zig-zag phức tạp gọi là maze domains. Chúng thay đổi theo nhiệt độ và ảnh hưởng mạnh đến mức năng lượng bị mất.

Nhóm nghiên cứu do Giáo sư Masato Kotsugi và Tiến sĩ Ken Masuzawa (Đại học Khoa học Tokyo) dẫn đầu đã phát triển mô hình entropy-feature-eXtended Ginzburg-Landau (eX-GL). Đây là khung AI dựa trên vật lý, có khả năng giải thích cơ chế đảo chiều từ hóa phụ thuộc nhiệt độ.

Bằng cách chụp ảnh hiển vi miền từ trong vật liệu rare-earth iron garnet (RIG) ở nhiều mức nhiệt, nhóm đã dùng persistent homology (PH) để phát hiện mẫu cấu trúc, sau đó áp dụng machine learning để xây dựng bản đồ năng lượng tự do, mô tả sự tiến hóa của miền từ theo năng lượng.

Mô hình cho thấy một đặc trưng chính (PC1) đại diện cho quá trình đảo chiều từ hóa. Từ đó, nhóm xác định 4 rào cản năng lượng chi phối sự thay đổi này, bao gồm tương tác trao đổi, hiệu ứng khử từ và entropy.

Kết quả cũng cho thấy tường miền dài hơn tạo ra mẫu mê cung phức tạp hơn, do tương tác giữa entropy và lực trao đổi. Đây là chìa khóa để hiểu cách miền mê cung hoạt động trong quá trình đảo chiều từ hóa.

Giáo sư Kotsugi khẳng định: “Cách tiếp cận eX-GL giúp tự động hóa việc giải thích quá trình đảo chiều từ hóa phức tạp và phát hiện cơ chế ẩn mà các phương pháp truyền thống khó nhận ra.”

Vì năng lượng tự do là thước đo phổ quát trong nhiệt động lực học, mô hình này có thể mở rộng sang nhiều hệ vật lý khác. Quan trọng hơn, nó mang lại cái nhìn sâu sắc về cách giảm tổn hao từ trong động cơ điện – yếu tố trực tiếp ảnh hưởng đến hiệu suất xe điện.