AI per motori elettrici è la nuova frontiera studiata in Giappone per ridurre uno spreco poco visibile ma pesante: le perdite magnetiche. Un team della Tokyo University of Science ha sviluppato un modello che legge le strutture microscopiche dei materiali magnetici e collega il loro comportamento al calore prodotto durante il funzionamento.
Il problema riguarda soprattutto i veicoli elettrici, dove ogni punto di efficienza conta. Nei motori, i campi magnetici cambiano direzione molte volte e una parte dell’energia viene dissipata nel nucleo sotto forma di calore. Questa perdita, nota come isteresi magnetica, non è semplice da misurare perché nasce da fenomeni microscopici difficili da interpretare.
AI per motori elettrici: cosa ha scoperto il modello eX-GL
Il modello eX-GL combina intelligenza artificiale spiegabile, termodinamica e analisi topologica per trasformare immagini di domini magnetici in una mappa dell’energia libera. Così identifica le barriere che guidano l’inversione della magnetizzazione e mostra perché alcuni materiali sprecano energia quando si scaldano.
Il lavoro è stato pubblicato su Scientific Reports nel 2026 e coinvolge ricercatori della Tokyo University of Science, dell’Università di Tsukuba, dell’Università di Okayama e dell’Università di Kyoto. Il materiale analizzato è un garnet ferroso a terre rare, utile come sistema di studio per domini magnetici complessi.
La parte più interessante è il modo in cui l’AI non si limita a riconoscere pattern. Il modello usa la omologia persistente, una tecnica matematica che individua forme e strutture nei dati, per leggere i cosiddetti domini a labirinto. Sono configurazioni magnetiche frastagliate, simili a percorsi irregolari, che cambiano con la temperatura.
Perdite magnetiche e veicoli elettrici: perché il calore è un nemico
Nei motori elettrici, le perdite nel ferro sono una delle voci che riducono l’efficienza complessiva. Quando il nucleo magnetico si scalda, il materiale può perdere parte della sua stabilità magnetica. Questo rende più complicato prevedere il comportamento del motore, soprattutto in condizioni reali di carico, accelerazione e temperature elevate.
Il modello giapponese ha individuato 4 barriere energetiche principali nella dinamica di inversione magnetica. Ha anche isolato una componente dominante, chiamata PC1, capace di descrivere il processo di inversione. Non è un dettaglio da laboratorio: capire questi passaggi può aiutare a progettare materiali più stabili e motori meno dissipativi.
- meno calore disperso nel nucleo del motore
- materiali magnetici più prevedibili ad alta temperatura
- simulazioni più vicine ai materiali reali
- possibili ricadute su auto elettriche, robotica e sistemi industriali
AI spiegabile e fisica: il vero salto non è solo l’automazione
La differenza rispetto a una simulazione classica sta nella spiegabilità. I modelli convenzionali spesso semplificano troppo la struttura reale dei materiali. Gli esperimenti, invece, mostrano complessità ma non sempre chiariscono causa ed effetto. L’AI spiegabile prova a chiudere questo divario, collegando immagini, energia e comportamento fisico.
La chiave è l’energia libera, una grandezza termodinamica generale. Per questo il metodo potrebbe essere applicato anche ad altri sistemi fisici con paesaggi energetici complessi, non solo ai motori. Il limite resta pratico: dallo studio su un campione controllato alla produzione industriale serve ancora validazione su materiali e geometrie usati nei motori commerciali.
Se questa linea di ricerca reggerà fuori dal laboratorio, l’AI per motori elettrici potrebbe diventare uno strumento di progettazione, non solo di analisi. Il prossimo passo sarà capire se queste mappe microscopiche possono tradursi in autonomia maggiore, componenti più freddi e motori più efficienti nelle auto elettriche di tutti i giorni.
