- Pesquisadores do MIT desenvolveram uma forma de modelar o comportamento de metais, mesmo com arranjos químicos complexos, usando modelos de aprendizado de máquina.
- Eles criaram conjuntos de treinamento que capturam a diversidade de ambientes atômicos em materiais desordenados, usando teoria da informação para evitar repetições.
- Em testes, os modelos treinados com esses dados preveram propriedades de ligas metálicas com maior precisão do que métodos com amostragem aleatória ou outras abordagens.
- A abordagem também consegue reproduzir diagramas de fases próximos aos dados experimentais, ajudando a entender como as fases se formam em diferentes temperaturas e composições.
- O objetivo é tornar as previsões úteis para design de materiais na indústria, incluindo aeroespacial, energia e computação, com apoio da Office of Scientific Research da Força Aérea dos Estados Unidos.
Uma equipe de pesquisadores do MIT desenvolveu uma abordagem para modelar o comportamento de metais, incluindo ligas químicamente desordenadas, com maior precisão. O método utiliza modelos de aprendizado de máquina para tornar as simulações mais rápidas e confiáveis, especialmente em condições diversas. O estudo foi publicado na revista Sciences Advances.
O grupo informou que os modelos treinados com seus conjuntos de dados capturam a diversidade de ambientes atômicos em ligas metálicas instáveis. Ao comparar com métodos de amostragem tradicionais, as previsões de propriedades materiais ficaram mais acuradas. A estratégia reduz custos e tempo na inovação de materiais.
O trabalho é liderado pelo professor Rodrigo Freitas, da MIT, e conta com Killian Sheriff como autor principal, além de Daniel Xiao, Yifan Cao e Lewis R. Owen, do MIT e da University of Sheffield. A equipe descreve que o foco é ligas metálicas, mas a técnica pode adaptar-se a outros materiais.
Os autores destacam que o desafio está na natureza desordenada das ligas, que gera grande variedade de ambientes locais. Dados de treinamento mais representativos ajudam a ensiná-los a prever comportamentos reais das ligas, sem depender de horas de computação brute-force.
Entre as aplicações, os pesquisadores demonstram capacidade de prever diagramas de fases, que indicam quais fases são estáveis sob diferentes temperaturas e composições. Tais diagramas orientam decisões de processamento, como soldagem, fundição e tratamento térmico.
A pesquisa também avança para uso prático na indústria, visando projetar materiais com maior resistência a radiação e maior tolerância a danos. O objetivo é integrar as previsões aos fluxos de trabalho de engenheiros de materiais sem exigir mudanças drásticas.
O estudo foi apoiado pela U.S. Air Force Office of Scientific Research, conforme nota da equipe. A iniciativa aponta para possibilidades de desenvolvimento de novos aços sustentáveis e de alto desempenho para aplicações aeroespaciais e de energia.
Entre na conversa da comunidade