Desarrollar nuevos materiales lleva mucho tiempo, dinero y esfuerzo. Recientemente, Un equipo de investigación de POSTECH ha dado un paso hacia la creación de nuevos materiales mediante la aplicación de IA para desarrollar aleaciones de alta entropía (HEA), que se denominan "aleaciones de aleaciones".

Un equipo de investigación conjunto dirigido por el profesor Seungchul Lee, Doctor. candidato Soo Young Lee, El profesor Hyungyu Jin y Ph.D. El candidato Seokyeong Byeon del Departamento de Ingeniería Mecánica junto con el Profesor Hyoung Seop Kim del Departamento de Ciencia e Ingeniería de Materiales han desarrollado juntos una técnica para la predicción de fase de HEA utilizando IA. Los hallazgos del estudio se publicaron en el último número de Materiales y Diseño , una revista internacional sobre ciencia de los materiales.

Los materiales metálicos se fabrican convencionalmente mezclando el elemento principal para la propiedad deseada con dos o tres elementos auxiliares. A diferencia de, Los HEA se elaboran con proporciones iguales o similares de cinco o más elementos sin un elemento principal. Los tipos de aleaciones que se pueden hacer así son teóricamente infinitos y tienen una mecánica excepcional, térmico, físico, y propiedades químicas. Aleaciones resistentes a la corrosión o temperaturas extremadamente bajas, y ya se han descubierto aleaciones de alta resistencia.

Sin embargo, hasta ahora, El diseño de nuevos materiales de aleación de alta entropía se basó en prueba y error, requiriendo así mucho tiempo y dinero. Era aún más difícil determinar de antemano la fase y las propiedades mecánicas y térmicas de la aleación de alta entropía que se estaba desarrollando.

A esto, El equipo de investigación conjunto se centró en desarrollar modelos de predicción en HEA con predicción de fase mejorada y explicabilidad mediante el aprendizaje profundo. Aplicaron el aprendizaje profundo a través de tres perspectivas:optimización de modelos, generación de datos y análisis de parámetros. En particular, la atención se centró en la construcción de un modelo de mejora de datos basado en la red de confrontación generativa condicional. Esto permitió que los modelos de IA reflejen muestras de HEA que aún no se han descubierto, mejorando así la precisión de la predicción de fase en comparación con los métodos convencionales.

Además, el equipo de investigación desarrolló un modelo descriptivo de predicción de fase de HEA basado en IA para proporcionar interpretabilidad a modelos de aprendizaje profundo, que actúa como una caja negra, al mismo tiempo que proporciona orientación sobre los parámetros de diseño clave para la creación de HEA con ciertas fases.

"Esta investigación es el resultado de mejorar drásticamente las limitaciones de la investigación existente mediante la incorporación de la IA en los HEA que recientemente han atraído mucha atención, "comentó el profesor Seungchul Lee. Añadió:"Es significativo que la colaboración multidisciplinaria del equipo de investigación conjunto haya producido resultados que pueden acelerar la fabricación de nuevos materiales basada en IA".

El profesor Hyungyu Jin también agregó:"Se espera que los resultados del estudio reduzcan en gran medida el tiempo y el costo necesarios para el proceso de desarrollo de nuevos materiales existente, y para ser utilizado activamente para desarrollar nuevas aleaciones de alta entropía en el futuro ".