Des chercheurs du Skoltech et du MIPT en Russie ont développé une approche basée sur l'apprentissage automatique pour accélérer la recherche de nouveaux alliages métalliques performants. Cette méthode, rapportée dans npj Computational Materials, permet aux scientifiques des matériaux d'explorer un éventail plus large de compositions d'alliages, ce qui pourrait conduire à la découverte de nouveaux matériaux aux propriétés supérieures pour diverses industries.
Traditionnellement, la modélisation des alliages a été exigeante en termes de calcul, obligeant les scientifiques des matériaux à faire des suppositions éclairées sur les compositions prometteuses. Cependant, cette nouvelle approche s'appuie sur des potentiels appris par machine, qui permettent des calculs rapides et permettent d'explorer toutes les combinaisons possibles jusqu'à une certaine limite. Cette recherche exhaustive élimine le risque de manquer des matériaux inattendus aux caractéristiques exceptionnelles.
Les chercheurs ont validé leur méthode sur deux systèmes : cinq métaux à point de fusion élevé (vanadium, molybdène, niobium, tantale et tungstène) et cinq métaux nobles (or, platine, palladium, cuivre et argent). Leur algorithme a identifié 268 nouveaux alliages stables à température nulle, dont beaucoup n'étaient pas répertoriés dans une base de données industrielle largement utilisée. Par exemple, dans le système niobium-molybdène-tungstène, l'approche d'apprentissage automatique a donné 12 candidats en alliages, tandis que la base de données ne contenait aucun alliage tri-composant de ces éléments.
Les propriétés de ces nouveaux alliages découverts seront étudiées plus en détail par le biais de simulations et d'expériences afin de déterminer leur potentiel d'applications pratiques. Les chercheurs prévoient d'étendre leur approche pour inclure des alliages de différentes compositions et structures cristallines.