Questa innovazione è significativa perché la modellazione delle leghe è tradizionalmente un processo estremamente complesso dal punto di vista computazionale. Il nuovo metodo, descritto sulla rivista npj Computational Materials, consente una ricerca più esaustiva dei candidati per nuove leghe, evitando di trascurare potenziali soluzioni innovative.
Perché le leghe sono importanti
Le leghe, miscele di più metalli ed eventualmente altri elementi come carbonio o silicio, offrono spesso proprietà superiori rispetto ai metalli puri. Variando la composizione e il rapporto tra gli elementi costituenti, è possibile regolare le caratteristiche della lega come resistenza, malleabilità, punto di fusione, resistenza alla corrosione e conducibilità elettrica.Questo permette agli scienziati dei materiali di cercare nuove leghe con proprietà migliorate per varie applicazioni tecnologiche. Tuttavia, le caratteristiche di una nuova lega possono essere determinate con precisione solo dopo costosi e lunghi esperimenti di laboratorio.
Il vantaggio dell'approccio basato sul machine learning
Il Professor Alexander Shapeev, co-autore dello studio e responsabile del Laboratorio di Intelligenza Artificiale per la Progettazione dei Materiali presso Skoltech AI, spiega: "Anche solo per un sistema semplice di due elementi, considerando una cella reticolare cristallina con 20 atomi, si devono modellare più di un milione di combinazioni possibili, senza contare la simmetria".L'approccio sviluppato dal team utilizza potenziali appresi tramite machine learning, caratterizzati da calcoli rapidi che consentono di esaminare tutte le possibili combinazioni fino a un certo limite. Viktoriia Zinkovich, autrice principale dello studio, afferma: "Ciò significa che non ci perderemo i buoni candidati".
Validazione e risultati
Il nuovo metodo è stato validato su due sistemi: cinque metalli ad alto punto di fusione (vanadio, molibdeno, niobio, tantalio e tungsteno) e cinque metalli nobili (oro, platino, palladio, rame e argento). Per ciascun sistema sono state considerate tre composizioni elementari.L'algoritmo di ricerca è stato applicato a ciascuna delle sei composizioni elementari, mirando a ottimizzare l'energia e l'entalpia di formazione, indicatori della stabilità delle leghe. Grazie a questo approccio, il team ha scoperto 268 nuove leghe stabili a temperatura zero non presenti in un database all'avanguardia comunemente utilizzato nell'industria.
Prospettive future
Le proprietà delle nuove leghe scoperte dovranno essere verificate e stabilite in maggior dettaglio attraverso simulazioni specifiche ed esperimenti per determinare quali materiali siano promettenti per applicazioni pratiche.Zinkovich sottolinea: "La modellazione computazionale ha già portato alla scoperta di numerose leghe industrialmente significative, con applicazioni che vanno dalle parti della carrozzeria delle auto ai serbatoi di stoccaggio per il combustibile liquido dei razzi a idrogeno".
I creatori del nuovo algoritmo stanno pianificando di estendere il loro approccio per includere leghe di altre composizioni e con altre strutture cristalline, aprendo la strada a ulteriori scoperte nel campo dei materiali avanzati.