Puede que no sea tan pegadizo como cadenas y eslabones débiles, pero los físicos y los ingenieros saben que "un material es tan fuerte como su límite de grano más débil".

OK, eso no es para nada pegajoso, pero aquí está el punto:los límites de grano son un gran problema. Son los microscópicos regiones desordenadas donde los bloques de construcción del tamaño de un átomo unen los cristales (es decir, los granos) en los materiales.

Más importante, los límites de grano ayudan a determinar las propiedades de los metales importantes para los seres humanos. Por ejemplo, pueden influir en la fuerza de un metal (¡edificios!), resistencia a la corrosión (¡puentes!) y conductividad (¡electricidad!).

Pero aunque los investigadores han estudiado los límites de los granos durante décadas y han obtenido una idea de los tipos de propiedades que producen los límites de los granos, nadie ha podido concretar un sistema universal para predecir si una determinada configuración de átomos en los límites de los granos hará que un material sea más fuerte o más flexible.

Ingrese al equipo de investigación interdisciplinario de BYU de Rosenbrock, Homer y Hart. El Ph.D. El estudiante (Conrad Rosenbrock) y dos profesores, un ingeniero (Eric Homer) y un físico (Gus Hart), podrían haber descifrado el código usando una computadora con un algoritmo que le permite aprender el elusivo "por qué" detrás de las cualidades de los límites. .

Su método, publicado en el número más reciente de Naturaleza diario Materiales computacionales , proporciona una técnica para producir un "diccionario" de los bloques de construcción atómicos que se encuentran en los metales, aleaciones, semiconductores y otros materiales. Su enfoque de aprendizaje automático analiza Big Data (piense:conjuntos de datos masivos de límites de grano) para proporcionar información sobre las estructuras físicas que probablemente estén asociadas con mecanismos específicos. procesos y propiedades que de otro modo serían difíciles de identificar.

"Utilizamos el aprendizaje automático, lo que significa que los algoritmos pueden ver tendencias en una gran cantidad de datos que un humano no puede ver, ", Dijo Homer." Con los modelos de Big Data se pierde algo de precisión, pero hemos descubierto que todavía proporciona información lo suficientemente sólida como para conectar los puntos entre un límite y una propiedad ".

Cuando se trata de metales, el proceso puede evaluar propiedades como la fuerza, peso y vida útil de los materiales, conduciendo a la eventual optimización de los mejores materiales. Aunque el grupo todavía no está creando materiales, ahora pueden descifrar el "por qué" y el "cómo" del maquillaje.

Los investigadores dijeron que su artículo es el primero en intentar descifrar el código de las estructuras atómicas que influyen en gran medida en las propiedades de los límites del grano con los algoritmos informáticos del aprendizaje automático.

"Es como Siri; Siri funciona tomando sonidos y convirtiéndolos en vocales y consonantes y, en última instancia, en palabras al acceder a una enorme base de datos de Apple, ", Dijo Hart." Estamos usando el mismo concepto. Tenemos una gran base de datos, y nuestro algoritmo toma los límites de grano y los compara con esa base de datos para conectarlos con ciertas propiedades ".

El objetivo final es facilitar y hacer más eficiente el desarrollo de materiales que se pueden combinar para hacer metales ligeros y libres de corrosión. Los investigadores creen que están en la parte delantera de lo que podría ser un proceso de 10 o incluso 20 años para crear estructuras de aleación innovadoras que brinden soluciones prácticas a las estructuras principales.

"Nuestra nación gasta $ 500 mil millones al año en corrosión, ", Dijo Homer." Si puede reducir el costo del tratamiento de la corrosión incluso en un pequeño porcentaje mediante el desarrollo de metales más resistentes, puede ahorrar miles de millones cada año. No es una pequeña cantidad de dinero ".