告别“烧钱”的试错！磁性材料研发，正式进入AI时刻

近日，清华大学、沐曦股份等正式联合发布了“磁性材料·AI原子基座模型”。这是首个覆盖宽温压域的磁性材料AI原子模型，经权威专家鉴定，整体技术水平达到国际领先 。

该模型在AI for Science（AI4S）的数据生成、模型构建与演化推理三大核心环节均进行了全新探索，构建了具备完全自主知识产权的技术体系，为新材料研发升级提供了核心技术支撑 。

磁芯材料

01 传统建模遇阻：磁性材料损耗难捕捉

在电力电子领域，磁芯材料的设计与应用一直是决定设备性能的关键因素之一。然而，随着功率变换器高频化、集成化趋势的加速，磁芯材料的复杂特性正成为行业发展的瓶颈难题。

福州大学陈为教授曾深入剖析了这一痛点：“由于磁芯材料的损耗受多种因素影响，包括频率、交流磁密、直流磁密、温度、占空比、波形和材质等，使用传统的数学模型进行建模变得非常困难。” 这些变量之间呈现出高度的非线性耦合关系，传统的解析方法难以准确描述 。

陈为教授进一步指出，目前的磁芯材料损耗模型存在一个根本性局限——无法表达出抛物线特性。“无论是SE模型、MSE模型还是GS模型，都无法表现出抛物线特性，只表现出线性特性。” 这意味着传统模型在捕捉材料在实际工况中的真实损耗行为时，往往力不从心。

而AI建模恰好特别适合处理这类非线性多元变量的建模问题，“因此需要从传统的精确数学模型转向模糊的人工智能方法。AI可以完全表达出任何形状，只要数据测量足够，都可以被AI模型捕捉和表达出来” 。

02 数据与标准：AI磁性材料研究的“拦路虎”

尽管AI为磁性材料研究打开了新的大门，但要真正将这条路走通，业界仍面临两道难关。

首先是测量手段缺乏统一的标准。

一是高频率下采用传统的交流功率法测量存在本质上误差大的问题，尤其是对于阻抗角接近90度的低损耗材料，微小的时间差都会导致测量结果失真；二是大电流偏磁下的电感特性和损耗测量同样棘手。测量是数据的基础，基础若不稳，上层模型便无从谈起。

其次是数据样本的匮乏。磁芯损耗建模需要海量的高质量数据支撑，但这类数据往往掌握在各大材料企业和磁性元件厂商手中，由于商业竞争和技术保密的原因，企业间共享数据的意愿普遍不高。缺乏开放的、高质量的数据集，成为制约AI模型训练和迭代的另一个“拦路虎”。

03 原子级模拟：加速新材料开发的新引擎

此次发布的“磁性材料·AI原子基座模型”，正是直击上述痛点而生。据悉，该模型构建了首个宽温压域磁性材料数据库，包含47种合金元素、6000余种磁性合金体系、70余万组非平衡态、非共线磁性材料数据 。

行业专家对《磁性元件与电源》指出：“该模型是针对磁材结构微观的模型，它的应用可以加速新材料的开发。”

传统的新材料研发遵循“试错—实验—迭代”的范式，不仅周期长、成本高，而且常常陷入“理论上可模拟、工艺上难实现”的困境 。

相关报道指出，该模型可在微纳米尺度同时精准预测原子排布与磁矩转动，稳定覆盖0-1000K温度、10GPa压强的宽域温压工况，可实现宽域、高精度、高可靠性的磁性材料原子级模拟 。

更值得一提的是，依托研发团队自主开发的DeltaSPIN、DeepSPIN和TSPIN计算框架，融合国产软件DeepMD-kit和ABACUS，该模型首次在磁性材料中实现缺陷工程的计算模拟，运算速度提升两个数量级，精度提升四个数量级。

这意味着，研究人员可以在计算机上快速验证材料配方和工艺路线，大幅缩短研发周期、降低研发成本，推动研发模式从“经验驱动”向“数据智能驱动”转型。

结语

沐曦股份与清华大学的此次合作，是“产-学-研-用”深度融合的一次重要创新成果。

在构建70万组数据级数据集和模型训练过程中，沐曦GPU提供了核心算力支撑，其高带宽、高稳定性的优势大幅提升了研发效率——原本需要一个月才能完成的计算量，如今仅需一天即可高效达成 。

用AI进行磁性材料的研究与开发，已不再是未来畅想，而是正在发生的技术变革。随着AI基座模型的不断完善和行业数据生态的逐步建立，磁性材料的研究将步入快车道。

可以期待，在不久的将来，从实验室到产业化的距离将越来越短，更多高性能磁性材料将从“AI设计”走向现实应用。

本文为哔哥哔特资讯原创文章，未经允许和授权，不得转载