El machine learning podría acelerar la búsqueda de nuevos metales

El machine learning se alza como una tecnología clave para desarrollar nuevos tipos de metales que sean resistentes a las temperaturas.

El aprendizaje automático podría ayudar a desarrollar nuevos tipos de metales con propiedades útiles, como la resistencia a las temperaturas extremas y a la oxidación, según una nueva investigación. Esto podría ser útil en una serie de sectores: por ejemplo, los metales que funcionan bien a bajas temperaturas podrían mejorar las naves espaciales, mientras que los metales que resisten la corrosión podrían utilizarse para barcos y submarinos.

En la actualidad, los científicos suelen realizar experimentos en el laboratorio para buscar formas de combinar metales y crear otros nuevos. Suelen empezar con un elemento conocido, como el hierro, que es barato y maleable, y añaden uno o dos más para ver el efecto sobre el material original. Se trata de un laborioso proceso de prueba y error que inevitablemente produce más fallos que resultados útiles.

Los investigadores del Instituto Max Planck lograron identificar 17 nuevos metales prometedores con este método. El equipo buscaba metales con un bajo nivel de «invar», que se refiere a cuánto se expanden o contraen los materiales cuando se exponen a temperaturas altas o bajas.

Los metales con bajo invar no cambian de tamaño a temperaturas extremas. Se utilizan habitualmente en industrias en las que esta propiedad es útil, por ejemplo, en el transporte y almacenamiento de gas natural, explica Ziyuan Rao, investigador de ciencias de los materiales del Instituto Max Planck y coautor del artículo.

El equipo consiguió encontrar estos nuevos metales mediante una combinación de IA y experimentos de laboratorio. En primer lugar, tuvieron que superar un reto importante: la falta de datos existentes que pudieran utilizar para entrenar los modelos de aprendizaje automático. Entrenaron los modelos con los datos que tenían: varios cientos de puntos de datos que describían las propiedades de las aleaciones metálicas existentes. El sistema de IA utilizó esos datos para hacer predicciones sobre nuevos metales que presentarían un bajo invar.

A continuación, los investigadores crearon esos metales en un laboratorio, midieron los resultados y los volvieron a introducir en el modelo de aprendizaje automático. El proceso continuó así -el modelo sugería combinaciones de metales, los investigadores las probaban y retroalimentaban los datos- hasta que surgieron los 17 nuevos metales prometedores.

Experimentación en el laboratorio

Los resultados podrían ayudar a allanar el camino para un mayor uso del aprendizaje automático en la ciencia de los materiales, un campo que todavía depende en gran medida de la experimentación en el laboratorio. Además, la técnica de utilizar el aprendizaje automático para hacer predicciones que luego se comprueban en el laboratorio podría adaptarse para realizar descubrimientos en otros campos, como la química y la física, dicen los expertos en ciencia de los materiales.

Para entender por qué es un avance significativo, vale la pena observar la forma tradicional en que se suelen crear nuevos compuestos, dice Michael Titus, profesor asistente de ingeniería de materiales en la Universidad de Purdue, que no participó en la investigación. El proceso de creación en el laboratorio es minucioso e ineficiente.

«Es realmente como encontrar una aguja en un pajar para encontrar materiales que presenten una propiedad especial», dice Titus. Suele decir a sus nuevos estudiantes de posgrado que hay fácilmente un millón de posibles materiales nuevos esperando a ser descubiertos. El aprendizaje automático podría ayudar a los investigadores a decidir qué caminos seguir.

En el futuro, el equipo quiere utilizar el aprendizaje automático para ayudar a descubrir nuevas aleaciones con más de una propiedad deseable. George está de acuerdo en que los métodos computacionales serán cruciales para el futuro de la ciencia de los materiales.

 

TE PUEDE GUSTAR

EVENTOS

RECIBE NUESTRA NEWSLETTER

*Email:

*Nombre:

*Empresa:

Cargo:

Sector:
     

Please don't insert text in the box below!

ESCUCHA NUESTRO PODCAST

SÍGUENOS EN RRSS

MÁS COMENTADOS

Scroll al inicio