Investigadores del Skoltech y el MIPT en Rusia han desarrollado un enfoque basado en el aprendizaje automático para acelerar la búsqueda de nuevas aleaciones metálicas de alto rendimiento. Este método, publicado en npj Computational Materials, permite a los científicos de materiales explorar una gama más amplia de composiciones de aleaciones, lo que podría conducir al descubrimiento de nuevos materiales con propiedades superiores para diversas industrias.
Tradicionalmente, el modelado de aleaciones ha sido computacionalmente exigente, lo que ha obligado a los científicos de materiales a hacer conjeturas informadas sobre las composiciones prometedoras. Sin embargo, este nuevo enfoque se basa en potenciales aprendidos por máquina, que permiten cálculos rápidos y permiten explorar todas las combinaciones posibles hasta un cierto límite. Esta búsqueda exhaustiva elimina el riesgo de pasar por alto materiales inesperados con características excepcionales.
Los investigadores validaron su método en dos sistemas: cinco metales de alto punto de fusión (vanadio, molibdeno, niobio, tantalio y tungsteno) y cinco metales nobles (oro, platino, paladio, cobre y plata). Su algoritmo identificó 268 nuevas aleaciones estables a temperatura cero, muchas de las cuales no estaban listadas en una base de datos industrial ampliamente utilizada. Por ejemplo, en el sistema niobio-molibdeno-tungsteno, el enfoque de aprendizaje automático produjo 12 candidatos a aleaciones, mientras que la base de datos no contenía ninguna aleación de tres componentes de estos elementos.
Las propiedades de estas nuevas aleaciones descubiertas se investigarán más a fondo mediante simulaciones y experimentos para determinar su potencial para aplicaciones prácticas. Los investigadores planean ampliar su enfoque para incluir aleaciones con diferentes composiciones y estructuras cristalinas.