Hasta hace poco, pensar, crear y evaluar nuevos materiales era dolorosamente lento. Normalmente lleva una década o dos obtener un material desde el descubrimiento hasta su uso comercial. Sin embargo, gracias al empleo de la Inteligencia Artificial, estos tiempos se están reduciendo de forma dramática y, además, en una fracción de su coste.
Los actuales desarrollos con Inteligencia Artificial están revolucionando la ciencia de los materiales permitiendo descubrir y desarrollar nuevos materiales de forma rápida y económica para su uso en multitud de aplicaciones. Así por ejemplo, gracias a esta, se ha conseguido descubrir recientemente un nuevo tipo de fósforo, más económico y fácil de fabricar, para su utilización en LEDs blancos con una excelente calidad de color.
Una nueva investigación, publicada el 13 abril en la revista científica Science Advances, muestra cómo la combinación de la Inteligencia Artificial y experimentos acelerados permite el descubrir alternativas potenciales al acero en una fracción del tiempo.
VIDRIO METÁLICO
Al mezclar dos o tres metales podemos obtener una aleación que generalmente se ve y actúa como un metal, con sus átomos dispuestos en patrones geométricos rígidos. Pero en ocasiones, cuando se producen las condiciones adecuadas, se puede obtener algo completamente nuevo: una aleación de futuro denominada vidrio metálico que es amorfa, con sus átomos dispuestos en todas las direcciones, al igual que los átomos de vidrio de las ventanas. Su naturaleza vidriosa lo hace más fuerte y liviano que el mejor acero de la actualidad, además de resistir mejor a la corrosión y al desgaste.
A pesar de que el vidrio metálico se muestra como una futura promesa como alternativa al acero, solo se han evaluado unas pocas miles de combinaciones de las millones que pueden realizarse mediante la mezcla de diferentes ingrediente en los últimos 50 años, , y solo unas pocas se han desarrollado hasta el punto que puedan ser útiles.
Ahora, un grupo de científicos del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía de los EE.UU, el Instituto Nacional de Estándares y Tecnología (NIST) y la Universidad de Northwestern han conseguido un atajo para descubrir y mejorar el vidrio metálico y, por extensión, otros materiales difíciles de alcanzar, en una fracción de tiempo y coste.
El grupo de investigación aprovechó las ventajas del sistema desarrollado por SLAC “Stanford Synchrotron Radiation Lightsource (SSRL), que combina el aprendizaje automático – una forma de inteligencia artificial donde los algorítmos de computación obtienen conocimientos de enorme cantidades de datos – con experimentos que de forma muy rápida consiguen hacer y filtrar muestras de nuevos materiales. Esto permitió al equipo descubrir 3 nuevas combinaciones de ingredientes que forman vidrio metálico, y hacer esto 200 veces más rápido de lo que se podía hacer antes.
“Normalmente lleva una década o dos obtener un material desde su descubrimiento hasta su uso comercial”, dijo el profesor de Northwestern Chris Wolverton, uno de los pioneros en el uso de la computación e inteligencia artificial para predecir nuevos materiales y coautor del artículo. “Este es un gran paso para reducir ese tiempo. Se podría comenzar con nada más que una simple lista de propiedades que deseas que tenga un material y, usando AI, reducir rápidamente el enorme campo de materiales potenciales a unos pocos buenos candidatos”.
El objetivo final, asegura Wolverton, es llegar al punto donde un científico puede escanear cientos de materiales de muestra, obtener retroalimentación casi inmediata de los modelos de aprendizaje automático y tener otro conjunto de muestras listo para probar al día siguiente, o incluso en una hora.
ESTO ACABA DE EMPEZAR
Durante los últimos 50 años, los científicos han investigado alrededor de 6.000 combinaciones de ingredientes que forman vidrio metálico, y tal como apunta el coautor del artículo Apurva Mehta, científico del personal del SSRL: “Pudimos hacer y seleccionar 20.000 en un solo año. Hay espacio suficiente para acelerar aún más el proceso y eventualmente automatizarlo para sacar a las personas del proceso por completo, de modo que los científicos puedan concentrarse en otros aspectos de su trabajo que requieren intuición y creatividad. Esto tendrá un impacto en toda la comunidad de ciencia de materiales y química”.
Este método puede ser útil para todo tipo de experimentos, especialmente en la búsqueda de materiales como vidrio metálico y catalizadores cuyo rendimiento está fuertemente influenciado por la forma en que se fabrican, y aquellos donde los científicos no tienen teorías para guiar su búsqueda. Con el aprendizaje automático, no se necesita una comprensión previa. Los algoritmos establecen conexiones y sacan conclusiones por sí mismos, y esto puede orientar la investigación en direcciones inesperadas.
“Uno de los aspectos más emocionantes de esto es que podemos hacer predicciones con tanta rapidez y hacer que los experimentos se hagan de forma tan rápida que podemos investigar materiales que no siguen nuestras reglas generales sobre si un material formará un vidrio o nó”, añadio el también coautor del estudio Jason Hattrick-Simpers, ingeniero de investigación de materiales en el NIST.
Foto portada: Fang Ren, quien desarrolló el algoritmo para analizar datos sobre la marcha mientras era investigador postdoctoral en SLAC, en el SSRL donde el sistema ha sido puesto en uso. (Dawn Harmer / SLAC National Accelerator Laboratory)
