L’intelligenza artificiale svela il caos magnetico nascosto nei motori elettrici
Capire dove finisce l’energia sprecata all’interno di un motore elettrico è una di quelle sfide che sembrano semplici sulla carta, ma che nella pratica fanno impazzire gli ingegneri da decenni. Ora, grazie a un nuovo strumento basato sull’intelligenza artificiale, un gruppo di ricercatori giapponesi è riuscito a decifrare quei misteriosi schemi magnetici a forma di labirinto che si nascondono nei materiali dei motori, responsabili di una fetta significativa di energia dissipata sotto forma di calore. Lo studio, pubblicato sulla rivista Scientific Reports nel maggio 2026, arriva in un momento in cui la crescita esplosiva dei veicoli elettrici rende urgente ogni possibile miglioramento in termini di efficienza.
Il problema di fondo si chiama perdita per isteresi magnetica, un fenomeno che si verifica ogni volta che i campi magnetici all’interno del motore invertono la loro direzione. Questa inversione ripetuta genera calore nel nucleo del motore, costruito con materiali magnetici morbidi. E quando le temperature salgono, come accade regolarmente durante il funzionamento, i materiali tendono a smagnetizzarsi parzialmente, complicando ulteriormente il quadro. A governare tutto questo ci sono i cosiddetti domini magnetici, microscopiche regioni all’interno dei materiali la cui disposizione determina quanta energia viene effettivamente persa.
Domini a labirinto: il puzzle che nessuno riusciva a risolvere
Alcuni materiali magnetici morbidi presentano strutture incredibilmente complesse chiamate domini a labirinto, che prendono il nome dal loro aspetto tortuoso e intricato. Questi domini cambiano in modo brusco al variare della temperatura, influenzando direttamente le perdite energetiche. Il problema è che fino a oggi nessuno era riuscito a quantificare davvero cosa succede al loro interno, perché i fattori in gioco sono troppi e troppo interconnessi: struttura microscopica, effetti termici, stabilità energetica.
Il team guidato dal Professor Masato Kotsugi e dal Dottor Ken Masuzawa della Tokyo University of Science, in collaborazione con le Università di Tsukuba, Okayama e Kyoto, ha sviluppato un modello chiamato eX-GL (entropy-feature-eXtended Ginzburg-Landau). Questo approccio combina fisica e intelligenza artificiale per costruire una mappa energetica dettagliata dei domini a labirinto in un campione di granato di ferro e terre rare. Come ha spiegato lo stesso Kotsugi, le simulazioni convenzionali semplificano troppo la realtà, mentre gli esperimenti rivelano complessità senza offrire strumenti per quantificare causa ed effetto. Il loro framework di intelligenza artificiale spiegabile supera entrambi questi limiti.
Come funziona il modello e cosa ha scoperto
Il processo si articola in più fasi. Prima vengono acquisite immagini microscopiche dei domini magnetici a diverse temperature. Poi entra in gioco l’omologia persistente, un metodo matematico sofisticato che identifica caratteristiche topologiche nei dati. A seguire, tecniche di machine learning estraggono le informazioni più rilevanti, generando un paesaggio energetico digitale che traccia l’evoluzione delle microstrutture magnetiche. L’analisi matematica finale collega tutto questo al processo macroscopico di inversione della magnetizzazione.
Il risultato più significativo? I ricercatori hanno identificato quattro importanti barriere energetiche che influenzano in modo determinante la dinamica di inversione magnetica. Hanno anche scoperto che i domini a labirinto diventano progressivamente più complessi con l’aumentare della lunghezza delle pareti di dominio, un processo guidato dall’interazione tra entropia e forze di scambio.
Quello che rende davvero promettente questo lavoro è la sua potenziale applicabilità ad altri sistemi. Dato che l’energia libera è una metrica termodinamica universale, il modello eX-GL potrebbe essere esteso ben oltre i motori elettrici, aprendo la strada a una comprensione più profonda dei paesaggi energetici complessi in una vasta gamma di materiali fisici. Per chi progetta i motori del futuro, avere uno strumento del genere significa poter finalmente vedere quello che prima era invisibile.
