Trovare nuovi metalli con l’AI

Questo sviluppo potrebbe rivelarsi utile per applicazioni nello spazio esterno come nelle profondità del mare

L’apprendimento automatico potrebbe aiutare a sviluppare nuovi tipi di metalli con proprietà utili come la resistenza alle temperature estreme e alla ruggine.

Materiali simili potrebbero rivelarsi utili in una serie di settori diversi: ad esempio, i metalli adattai alle temperature più basse potrebbero essere usati nella costruzione di veicoli spaziali, mentre i metalli che resistono alla corrosione potrebbero essere utilizzati per navi e sottomarini.

Attualmente, la ricerca sui materiali viene condotta in laboratori dove gli scienziati eseguono esperimenti su come combinare i metalli per crearne di nuovi. Di solito iniziano con un elemento ben noto, come il ferro, economico e malleabile, e ne aggiungono uno o due per vedere l’effetto sul materiale originale.

È un processo laborioso, condotto per tentativi ed errori che inevitabilmente produce più errori che risultati utili.

Ora un nuovo articolo recentemente pubblicato su Science suggerisce che con l’intelligenza artificiale i ricercatori possono prevedere in modo molto più preciso quali combinazioni di metalli si mostreranno promettenti.

Ricercatori del Max Planck Institute sono riusciti a identificare 17 nuovi metalli promettenti utilizzando questo metodo. Il team era alla ricerca di metalli con un basso livello di “invar”, un valore che definisce quanto i materiali si espandono o si contraggono se esposti a temperature alte o basse.

I metalli con basso invar non cambiano dimensione a temperature estreme. Sono comunemente usati nelle industrie in cui tale proprietà è utile, ad esempio il trasporto e lo stoccaggio di gas naturale, spiega Ziyuan Rao, ricercatore di scienze dei materiali presso il Max Planck Institute e coautore dell’articolo.

Il team è riuscito a trovare questi nuovi metalli attraverso una combinazione di intelligenza artificiale e esperimenti di laboratorio. In primo luogo, hanno dovuto superare una sfida significativa: la mancanza di dati esistenti che potessero utilizzare per addestrare i modelli di apprendimento automatico.

Hanno addestrato i modelli sui dati che avevano: diverse centinaia di dati che descrivono le proprietà delle leghe metalliche esistenti. Il sistema di intelligenza artificiale ha utilizzato quei dati per fare previsioni su nuovi metalli che avrebbero dato prova di un basso invar.

I ricercatori hanno quindi creato quei metalli in laboratorio, misurato i risultati e reinseriti nel modello di apprendimento automatico. Il processo è continuato in questo modo – il modello suggerisce combinazioni di metalli, i ricercatori le testano e reinseriscono i dati – finché non emergono i 17 nuovi metalli promettenti.

I risultati potrebbero aiutare a spianare la strada a un maggiore utilizzo dell’apprendimento automatico nella scienza dei materiali, un campo che fa ancora molto affidamento sulla sperimentazione di laboratorio. Inoltre, la tecnica di utilizzare l’apprendimento automatico per fare previsioni che vengono poi verificate in laboratorio potrebbe essere adattata per la scoperta in altri campi, come la chimica e la fisica, affermano gli esperti di scienza dei materiali.

Per capire perché si tratta di uno sviluppo significativo, vale la pena esaminare il modo tradizionale in cui vengono solitamente creati i nuovi composti, afferma Michael Titus, assistente professore di ingegneria dei materiali presso la Purdue University, che non è stato coinvolto nella ricerca. Il processo di armeggiare in laboratorio è scrupoloso e inefficiente.

“Trovare materiali che mostrino una proprietà speciale è davvero come cercare un ago in un pagliaio”, afferma Titus.

Dice spesso ai suoi neolaureati che ci sono facilmente un milione di possibili nuovi materiali in attesa di essere scoperti. L’apprendimento automatico potrebbe aiutare i ricercatori a decidere quali percorsi intraprendere.

Easo George, professore di scienza e ingegneria dei materiali presso l’Università del Tennessee, che non era coinvolto in questa ricerca, è rimasto sorpreso da ciò che il team è stato in grado di realizzare utilizzando la nuova tecnica. “È molto impressionante”, dice.

In futuro, il team vuole utilizzare l’apprendimento automatico per aiutare a scoprire nuove leghe con più di una proprietà desiderabile. George concorda sul fatto che i metodi computazionali saranno cruciali per il futuro della scienza dei materiali.

“L’approccio dell’apprendimento automatico sarà probabilmente dominante, perché le persone hanno provato a scansionare spazi molto grandi sperimentalmente, ma ciò richiede molto tempo e denaro”, afferma. “Il test è: stai trovando qualcosa di utile?”

Related Posts
Total
0
Share