近日，清華大學、沐曦股份等正式聯合發布了“磁性材料·AI原子基座模型”。這是首個覆蓋寬溫壓域的磁性材料AI原子模型，經權威專家鑒定，整體技術水平達到國際領先 。

該模型在AI for Science（AI4S）的數據生成、模型構建與演化推理三大核心環節均進行了全新探索，構建了具備完全自主知識產權的技術體系，為新材料研發升級提供了核心技術支撐 。

磁芯材料

01 傳統建模遇阻：磁性材料損耗難捕捉

在電力電子領域，磁芯材料的設計與應用一直是決定設備性能的關鍵因素之一。然而，隨著功率變換器高頻化、集成化趨勢的加速，磁芯材料的復雜特性正成為行業發展的瓶頸難題。

福州大學陳為教授曾深入剖析了這一痛點：“由于磁芯材料的損耗受多種因素影響，包括頻率、交流磁密、直流磁密、溫度、占空比、波形和材質等，使用傳統的數學模型進行建模變得非常困難?！?這些變量之間呈現出高度的非線性耦合關系，傳統的解析方法難以準確描述 。

陳為教授進一步指出，目前的磁芯材料損耗模型存在一個根本性局限——無法表達出拋物線特性。“無論是SE模型、MSE模型還是GS模型，都無法表現出拋物線特性，只表現出線性特性?！?這意味著傳統模型在捕捉材料在實際工況中的真實損耗行為時，往往力不從心。

而AI建模恰好特別適合處理這類非線性多元變量的建模問題，“因此需要從傳統的精確數學模型轉向模糊的人工智能方法。AI可以完全表達出任何形狀，只要數據測量足夠，都可以被AI模型捕捉和表達出來” 。

02 數據與標準：AI磁性材料研究的“攔路虎”

盡管AI為磁性材料研究打開了新的大門，但要真正將這條路走通，業界仍面臨兩道難關。

首先是測量手段缺乏統一的標準。

一是高頻率下采用傳統的交流功率法測量存在本質上誤差大的問題，尤其是對于阻抗角接近90度的低損耗材料，微小的時間差都會導致測量結果失真；二是大電流偏磁下的電感特性和損耗測量同樣棘手。測量是數據的基礎，基礎若不穩，上層模型便無從談起。

其次是數據樣本的匱乏。磁芯損耗建模需要海量的高質量數據支撐，但這類數據往往掌握在各大材料企業和磁性元件廠商手中，由于商業競爭和技術保密的原因，企業間共享數據的意愿普遍不高。缺乏開放的、高質量的數據集，成為制約AI模型訓練和迭代的另一個“攔路虎”。

03 原子級模擬：加速新材料開發的新引擎

此次發布的“磁性材料·AI原子基座模型”，正是直擊上述痛點而生。據悉，該模型構建了首個寬溫壓域磁性材料數據庫，包含47種合金元素、6000余種磁性合金體系、70余萬組非平衡態、非共線磁性材料數據 。

行業專家對《磁性元件與電源》指出：“該模型是針對磁材結構微觀的模型，它的應用可以加速新材料的開發。”

傳統的新材料研發遵循“試錯—實驗—迭代”的范式，不僅周期長、成本高，而且常常陷入“理論上可模擬、工藝上難實現”的困境 。

相關報道指出，該模型可在微納米尺度同時精準預測原子排布與磁矩轉動，穩定覆蓋0-1000K溫度、10GPa壓強的寬域溫壓工況，可實現寬域、高精度、高可靠性的磁性材料原子級模擬 。

更值得一提的是，依托研發團隊自主開發的DeltaSPIN、DeepSPIN和TSPIN計算框架，融合國產軟件DeepMD-kit和ABACUS，該模型首次在磁性材料中實現缺陷工程的計算模擬，運算速度提升兩個數量級，精度提升四個數量級。

這意味著，研究人員可以在計算機上快速驗證材料配方和工藝路線，大幅縮短研發周期、降低研發成本，推動研發模式從“經驗驅動”向“數據智能驅動”轉型。

結語

沐曦股份與清華大學的此次合作，是“產-學-研-用”深度融合的一次重要創新成果。

在構建70萬組數據級數據集和模型訓練過程中，沐曦GPU提供了核心算力支撐，其高帶寬、高穩定性的優勢大幅提升了研發效率——原本需要一個月才能完成的計算量，如今僅需一天即可高效達成 。

用AI進行磁性材料的研究與開發，已不再是未來暢想，而是正在發生的技術變革。隨著AI基座模型的不斷完善和行業數據生態的逐步建立，磁性材料的研究將步入快車道。

可以期待，在不久的將來，從實驗室到產業化的距離將越來越短，更多高性能磁性材料將從“AI設計”走向現實應用。

本文為嗶哥嗶特資訊原創文章，未經允許和授權，不得轉載，

審核編輯 黃宇