Investigadores del Instituto de Ciencia y Tecnología de Skolkovo (Skoltech) y del Instituto de Física y Tecnología de Moscú (MFTI) han presentado un innovador método para la búsqueda acelerada de aleaciones metálicas de alto rendimiento utilizando el aprendizaje automático. Este enfoque permite reducir significativamente el tiempo necesario para seleccionar composiciones prometedoras para su posterior ensayo en laboratorios.
Tradicionalmente, el modelado de aleaciones metálicas es un proceso largo y complejo que incluye muchas variables: composición de los elementos, proporciones, estructura cristalina. Sin embargo, el nuevo método ayuda a examinar rápidamente todas las combinaciones posibles e identificar candidatos potenciales para futuras investigaciones.
A diferencia de los enfoques tradicionales, basados en complejos cálculos de mecánica cuántica, el nuevo método utiliza potenciales obtenidos mediante el aprendizaje automático. Esto permite realizar cálculos más rápidos y escanear eficazmente muchas variantes. El algoritmo ya ha demostrado su eficacia en dos conjuntos de metales: refractarios (vanadio, molibdeno, niobio, tántalo y wolframio) y nobles (oro, platino, paladio, cobre y plata).
Los resultados de las pruebas sorprendieron: se obtuvieron 268 nuevas aleaciones estables que no figuraban en las bases de datos industriales más populares. Por ejemplo, en el sistema niobio-molibdeno-wolframio se descubrieron 12 aleaciones hasta ahora desconocidas.
Estas nuevas aleaciones deben ser probadas a fondo para comprender su posible aplicación. Se espera que su uso pueda conducir a la creación de nuevos materiales para las industrias aeroespacial, de ingeniería mecánica, de la construcción, electrónica y de tecnologías médicas.
En el futuro, los científicos planean ampliar el algoritmo para investigar otras composiciones y estructuras cristalinas, lo que abrirá nuevas oportunidades para diversas ramas de la industria.
Leer materiales sobre el tema:
En Kazán aprendieron a fundir metal con ondas sonoras
En Moscú adaptaron redes neuronales para predecir defectos en el acero para centrales nucleares