Forscher am Skoltech und am MIPT in Russland haben einen maschinellen Lernansatz entwickelt, um die Suche nach hochleistungsfähigen Metalllegierungen zu beschleunigen. Diese Methode, die in npj Computational Materials veröffentlicht wurde, ermöglicht es Materialwissenschaftlern, eine größere Bandbreite an Legierungszusammensetzungen zu untersuchen, was möglicherweise zur Entdeckung neuer Materialien mit überlegenen Eigenschaften für verschiedene Industrien führt.
Traditionell war die Legierungsmodellierung rechenintensiv und zwang Materialwissenschaftler, fundierte Vermutungen über vielversprechende Zusammensetzungen anzustellen. Dieser neue Ansatz nutzt jedoch maschinell gelernte Potentiale, die schnelle Berechnungen ermöglichen und die Erforschung aller möglichen Kombinationen bis zu einem bestimmten Limit erlauben. Diese umfassende Suche eliminiert das Risiko, unerwartete Materialien mit außergewöhnlichen Eigenschaften zu übersehen.
Die Forscher validierten ihre Methode an zwei Systemen: fünf Metallen mit hohen Schmelzpunkten (Vanadium, Molybdän, Niob, Tantal und Wolfram) und fünf Edelmetallen (Gold, Platin, Palladium, Kupfer und Silber). Ihr Algorithmus identifizierte 268 neue Legierungen, die bei Nulltemperatur stabil sind, von denen viele nicht in einer weit verbreiteten Industriedatenbank aufgeführt waren. Beispielsweise ergab der maschinelle Lernansatz im Niob-Molybdän-Wolfram-System 12 Legierungskandidaten, während die Datenbank keine dreikomponentigen Legierungen dieser Elemente enthielt.
Die Eigenschaften dieser neu entdeckten Legierungen werden durch Simulationen und Experimente weiter untersucht, um ihr Potenzial für praktische Anwendungen zu bestimmen. Die Forscher planen, ihren Ansatz auf Legierungen mit unterschiedlichen Zusammensetzungen und Kristallstrukturen auszuweiten.