El rápido crecimiento de los vehículos eléctricos ha impulsado la búsqueda de tecnologías capaces de mejorar la eficiencia energética de los motores eléctricos. Uno de los principales desafíos sigue siendo la llamada pérdida por histéresis magnética, un fenómeno que desperdicia energía en forma de calor dentro de los materiales magnéticos del motor.

Estas pérdidas aparecen cuando los campos magnéticos cambian repetidamente de dirección durante el funcionamiento del motor. Como consecuencia, parte de la energía se disipa y reduce la eficiencia general del sistema.

El problema se vuelve todavía más complejo porque los motores eléctricos suelen operar a altas temperaturas. El calor puede desmagnetizar parcialmente ciertos materiales magnéticos, aumentando aún más las pérdidas energéticas.

Los dominios magnéticos, la clave del problema

Uno de los factores más importantes detrás de este fenómeno es el comportamiento de los dominios magnéticos, pequeñas regiones dentro de los materiales donde los átomos comparten la misma orientación magnética.

La forma, distribución y organización de estos dominios influye directamente en la respuesta del material frente al calor y en la cantidad de energía perdida durante el funcionamiento del motor.

Con el objetivo de comprender mejor este proceso, investigadores dirigidos por el profesor Masato Kotsugi y el doctor Ken Masuzawa, de la Universidad de Ciencias de Tokio, trabajaron junto a expertos de las universidades de Tsukuba, Okayama y Kioto para desarrollar un nuevo modelo basado en inteligencia artificial.

El modelo de IA que descifra estructuras invisibles

El equipo creó un sistema denominado eX-GL (entropy-feature-eXtended Ginzburg-Landau), diseñado para analizar el comportamiento energético de complejas estructuras magnéticas conocidas como dominios laberínticos en materiales de granate de hierro e itrio.

Según explicó el profesor Kotsugi:

“Las simulaciones convencionales simplifican demasiado los materiales reales, mientras que los experimentos muestran complejidad sin explicar claramente las relaciones causa-efecto. Nuestro modelo de inteligencia artificial permite comprender estos mecanismos físicos de forma mucho más precisa”.

Para estudiar cómo influye la temperatura en el proceso de desmagnetización, los investigadores obtuvieron imágenes microscópicas de los dominios magnéticos en distintas condiciones térmicas.

Posteriormente, esas imágenes fueron analizadas mediante el modelo eX-GL.

Cómo la inteligencia artificial identificó patrones ocultos

En una primera etapa, el sistema utilizó una técnica matemática avanzada llamada homología persistente, capaz de detectar características topológicas complejas dentro de grandes cantidades de datos.

Gracias a ello, los científicos pudieron identificar irregularidades estructurales invisibles a simple vista en los dominios magnéticos.

Después, aplicaron reconocimiento de patrones mediante aprendizaje automático para seleccionar las características más importantes. Esto permitió construir un mapa digital de energía libre que muestra cómo evolucionan las microestructuras magnéticas cuando cambia la energía del sistema.

Finalmente, el análisis matemático conectó esas microestructuras microscópicas con el comportamiento global de remagnetización del material.

El descubrimiento de cuatro barreras energéticas

Utilizando esta metodología, el equipo identificó un indicador dominante llamado PC1, capaz de describir con precisión el proceso de remagnetización.

Al relacionar PC1 con propiedades físicas reales, los investigadores lograron visualizar cuatro barreras energéticas principales que afectan directamente la dinámica magnética del material.

El análisis detallado mostró cómo distintas formas de energía —incluyendo interacciones de intercambio magnético, efectos de desmagnetización y entropía— participan en el proceso.

También descubrieron que los dominios laberínticos se vuelven más complejos a medida que aumenta la longitud de las paredes de dominio magnético.

Esta complejidad creciente surge de la interacción entre las fuerzas de intercambio y la entropía.

Un avance importante para los motores eléctricos del futuro

Los resultados del estudio, publicados en la revista Scientific Reports, ayudan a comprender mejor los mecanismos físicos responsables de las pérdidas energéticas en materiales magnéticos.

Más allá de este caso concreto, la investigación propone una nueva estrategia para estudiar paisajes energéticos complejos no solo en sistemas magnéticos, sino también en otros materiales avanzados utilizados en tecnología y electrónica.

Este avance podría contribuir en el futuro al desarrollo de motores eléctricos más eficientes, con menores pérdidas de energía y mejor rendimiento, algo fundamental para la evolución de los vehículos eléctricos y otras tecnologías sostenibles.

Conclusión

La combinación de inteligencia artificial, física avanzada y análisis matemático permitió revelar procesos invisibles que afectan directamente la eficiencia de los motores eléctricos.

El modelo eX-GL no solo ofrece una nueva manera de estudiar materiales magnéticos complejos, sino que también abre la puerta a tecnologías más eficientes y sostenibles.

Comprender cómo se comportan los dominios magnéticos a nivel microscópico podría convertirse en una pieza clave para reducir el desperdicio energético en la próxima generación de motores eléctricos.