El ladrón de energía que nadie veía

Cada vez que pisas el acelerador de un coche eléctrico, una parte de la energía se pierde en forma de calor dentro del motor. No es algo que notes de inmediato, pero esa pérdida silenciosa reduce la autonomía del vehículo. El culpable tiene nombre: pérdida por histéresis magnética.

Este fenómeno ocurre cuando los campos magnéticos dentro del motor invierten su dirección millones de veces por segundo. Cada inversión genera un pequeño desperdicio de energía que se transforma en calor. A escala industrial, esa suma se convierte en un problema real de eficiencia.

El calor empeora el problema

El motor se calienta mientras funciona. Y ese calor agrava la pérdida. Los materiales magnéticos pierden parte de su capacidad cuando la temperatura sube. Cuanto más calor, más energía se desperdicia. Se forma así un círculo vicioso que afecta directamente al rendimiento del coche.

Durante años, los científicos sabían que esto ocurría, pero no lograban explicar con precisión qué pasaba dentro del material. El comportamiento resultaba demasiado complejo para los métodos tradicionales de simulación.

Laberintos magnéticos

Dentro de estos materiales existen estructuras llamadas dominios de laberinto. Son regiones magnéticas que se organizan en patrones zigzagueantes a escala microscópica. Estos dominios son los responsables de la mayor parte de la energía que se pierde durante el cambio de magnetización.

Su comportamiento depende de la temperatura, de la estructura del material y de distintas fuerzas energéticas que interactúan entre sí. Modelar todo eso resultaba casi imposible.

Cuando la IA se une a la física

Un equipo de la Universidad de Ciencias de Tokio decidió probar un enfoque distinto. Crearon un modelo llamado eX-GL que combina física y aprendizaje automático.

Primero capturaron imágenes microscópicas de los dominios magnéticos a distintas temperaturas. Después usaron una técnica matemática llamada homología persistente para detectar patrones ocultos en esas imágenes. La inteligencia artificial identificó qué características eran realmente importantes. De este proceso surgió un factor clave, el PC1, que describe cómo ocurre realmente la inversión de magnetización.

Luego conectaron esos patrones con la física real. Descubrieron que cuatro barreras de energía controlan el proceso completo.

Una explicación que se entiende

Lo más interesante del estudio no es solo que funcione, sino que explique lo que hace. No es una caja negra. Puedes seguir el camino desde las imágenes hasta las barreras de energía que determinan la pérdida.

Los investigadores también descubrieron que, cuando los dominios se vuelven más complejos, se produce una lucha entre la entropía y las fuerzas de intercambio. Comprender esa rivalidad es el clave para reducir el desperdicio de energía.

Por qué importa esto

Mejorar la eficiencia de los motores eléctricos no suena tan llamativo como las baterías de 800 km de autonomía. Sin embargo, reducir la pérdida energética significa que un coche eléctrico puede recorrer más kilómetros con la misma batería. Menos peso, menos coste y más autonomía.

Esta misma metodología podría aplicarse a otros materiales magnéticos y sistemas físicos complejos. No solo se trata de un resultado, sino de un nuevo camino para estudiar problemas que antes eran demasiado complicados.

Lo esencial

Hasta ahora sabíamos que los motores eléctricos perdían energía, pero no veíamos con claridad por qué. Gracias a la combinación de IA y física, ahora sí. El resultado es una comprensión más profunda que puede ayudar a diseñar motores más eficientes y, por tanto, vehículos eléctricos más prácticos y sostenibles.

Es el tipo de avance que no sale en portadas, pero que podría marcar la diferencia entre que el coche eléctrico siga siendo una opción minoritaria o se convierta en la norma.