Los materiales superduros tienen una gran demanda en la industria, desde la producción de energía hasta la industria aeroespacial, pero encontrar nuevos materiales adecuados ha sido en gran medida una cuestión de prueba y error basado en materiales clásicos como los diamantes. Hasta ahora.

Investigadores de la Universidad de Houston y Manhattan College han informado de un modelo de aprendizaje automático que puede predecir con precisión la dureza de nuevos materiales. permitiendo a los científicos encontrar más fácilmente compuestos adecuados para su uso en una variedad de aplicaciones. El trabajo fue reportado en Materiales avanzados .

Materiales superduros:definidos como aquellos con un valor de dureza superior a 40 gigapascales en la escala de Vickers. lo que significa que se necesitarían más de 40 gigapascales de presión para dejar una hendidura en la superficie del material, son raros.

"Eso hace que la identificación de nuevos materiales sea un desafío, "dijo Jakoah Brgoch, profesor asociado de química en la UH y autor correspondiente del artículo. "Es por eso que los materiales como el diamante sintético todavía se utilizan a pesar de que son difíciles y costosos de fabricar".

Uno de los factores que complican la situación es que la dureza de un material puede variar según la cantidad de presión ejercida, conocida como dependencia de la carga. Eso hace que probar un material sea experimentalmente complejo y usar el modelado computacional hoy en día sea casi imposible.

El modelo informado por los investigadores supera eso al predecir la dureza Vickers dependiente de la carga basándose únicamente en la composición química del material. Los investigadores informan haber encontrado más de 10 fases de borocarburo estables nuevas y prometedoras; ahora se está trabajando para diseñar y producir los materiales para que puedan ser probados en el laboratorio.

Según la precisión informada del modelo, las probabilidades son buenas. Los investigadores informaron que la precisión es del 97%.

Primer autor Ziyan Zhang, estudiante de doctorado en la UH, dijo que la base de datos construida para entrenar el algoritmo se basa en datos que involucran 560 compuestos diferentes, cada uno de los cuales produce varios puntos de datos. Encontrar los datos requirió estudiar detenidamente cientos de artículos académicos publicados para encontrar los datos necesarios para construir un conjunto de datos representativo.

"Todos los buenos proyectos de aprendizaje automático comienzan con un buen conjunto de datos, "dijo Brgoch, quien también es investigador principal del Centro de Superconductividad de Texas en UH. "El verdadero éxito es en gran parte el desarrollo de este conjunto de datos".

Además de Brgoch y Zhang, investigadores adicionales en el proyecto incluyen Aria Mansouri Tehrani y Blake Day, ambos con UH, y Anton O. Oliynyk de Manhattan College.

Los investigadores han utilizado tradicionalmente el aprendizaje automático para predecir una sola variable de dureza, Brgoch dijo:pero eso no tiene en cuenta las complejidades de la propiedad como la dependencia de la carga, que dijo que todavía no se entienden bien. Eso hace que el aprendizaje automático sea una buena herramienta a pesar de las limitaciones anteriores.

"Un sistema de aprendizaje automático no necesita comprender la física, ", dijo." Simplemente analiza los datos de entrenamiento y hace nuevas predicciones basadas en estadísticas ".

El aprendizaje automático tiene limitaciones aunque.

"La idea de utilizar el aprendizaje automático no significa 'Aquí está el siguiente gran material, 'pero para ayudar a guiar nuestra búsqueda experimental, "Dijo Brgoch." Te dice dónde debes mirar ".