Una nueva forma de calcular la interacción entre un metal y su material de aleación podría acelerar la búsqueda de un nuevo material que combine la dureza de la cerámica con la resiliencia del metal.

El descubrimiento, hecho por ingenieros de la Universidad de Michigan, identifica dos aspectos de esta interacción que pueden predecir con precisión cómo se comportará una aleación en particular, y con menos exigencia, cálculos mecánicos cuánticos desde cero.

"Nuestros hallazgos pueden permitir el uso de algoritmos de aprendizaje automático para el diseño de aleaciones, potencialmente acelerando la búsqueda de mejores aleaciones que puedan usarse en motores de turbina y reactores nucleares, "dijo Liang Qi, profesor asistente de ciencia e ingeniería de materiales que dirigió la investigación.

Los motores a reacción y los reactores nucleares de hoy en día no pueden calentarse demasiado o, de lo contrario, el metal de la turbina del motor o los componentes internos del reactor se ablandarían. Sin embargo, los motores a reacción podrían operar de manera más eficiente y los reactores nucleares podrían ser más seguros si pudieran soportar temperaturas más altas, Dijo Qi. Se está buscando un material que sea muy duro incluso a altas temperaturas pero también resistente al agrietamiento.

Los científicos de materiales abordan este problema a través de aleaciones, mezclando un metal con uno o más elementos. Un metal se compone principalmente de una red cristalina, con los átomos empaquetados juntos de forma ordenada. Sin embargo, son los defectos, o las ubicaciones donde se rompe la celosía, los que tienen la mayor influencia sobre cómo se comportará un material, Dijo Qi.

"Las propiedades de los defectos deciden mecánicamente, Rendimiento térmico y de irradiación de los metales porque los átomos en los defectos generalmente tienen menos restricciones para moverse en comparación con aquellos en posiciones perfectas, " él dijo.

Algunos defectos son puntos débiles, como roturas en la celosía que cubren grandes áreas, conocidas como límites de grano. Pero pequeños defectos, como dislocaciones de varias filas de átomos, puede mejorar el rendimiento de un metal al permitir que se doble, por ejemplo.

Los elementos de aleación se combinan con defectos para crear una red de interrupciones en la red del metal anfitrión, pero es difícil predecir cómo afectará esa red al rendimiento del metal.

El equipo limitó su estudio a metales con un solo elemento de aleación en los defectos, lo que sigue siendo un espacio de diseño considerable con cientos de combinaciones de materiales y millones de estructuras defectuosas.

Los electrones son responsables de unir los átomos de la red, por lo que el equipo buscó una conexión entre la forma en que los electrones están estructurados en un átomo de red ordinario y un átomo en un defecto, y cómo esto cambia la forma en que la red interactúa con un elemento de aleación. Una alta energía de interacción entre el metal y el elemento de aleación en el defecto generalmente hace que el metal sea menos flexible, por ejemplo, mientras que una energía más baja significa que no están tan unidos.

El equipo identificó dos medidas, que ellos llaman "descriptores, "que representan cómo cambia la estructura de los electrones en el defecto en el metal puro. Usando estos, podrían averiguar cómo interactuaría un elemento de aleación con el defecto.

"Nos sorprendió descubrir que el poder de predicción se mantuvo para diferentes tipos de defectos y sitios, dado un cristal metálico particular y un elemento de aleación, "dijo Yong-Jie Hu, investigador postdoctoral en ciencia e ingeniería de materiales y primer autor del artículo en Comunicaciones de la naturaleza .

El equipo descubrió que podían predecir cómo los átomos del elemento de aleación se concentraban en varios tipos de defectos, incluidos tipos complejos como límites de grano de ángulo alto, donde la celosía está mayormente desalineada.

La identificación de estos descriptores es un paso importante para poder aprovechar el aprendizaje automático de manera efectiva para el diseño de aleaciones. utilizando algoritmos para rastrear los resultados de simulaciones mecánicas cuánticas altamente precisas pero computacionalmente intensivas.

Sin embargo, los investigadores señalan que se deben descubrir más descriptores para las predicciones de cómo se comportarán las aleaciones más complejas, por ejemplo, aquellos con dos o más elementos de aleación en los defectos. Y aunque estos descriptores pueden incorporarse al aprendizaje automático, los humanos probablemente los identificarán.

"El descubrimiento se realizó a través del 'aprendizaje humano' a partir de modelos electrónicos clásicos, "Qi dijo". Indica que, en la era de los macrodatos y la inteligencia artificial, la inteligencia humana todavía proporciona recursos confiables para los descubrimientos científicos ".

Un artículo sobre esta investigación se publica en la revista Comunicaciones de la naturaleza , noble, "Descriptores electrónicos locales para interacciones soluto-defecto en metales refractarios bcc".