L'intelligenza artificiale sta aprendo nuove frontiere nello sviluppo di leghe metalliche avanzate. Un team di ricercatori del MIT ha recentemente pubblicato uno studio che utilizza il machine learning per decodificare i segreti dell'ordine a corto raggio (SRO) negli alliganti metallici, un passo cruciale verso la creazione di materiali su misura con proprietà superiori.
L'ordine a corto raggio si riferisce alla disposizione degli atomi su piccole distanze all'interno di una lega. Comprendere e quantificare questo fenomeno è fondamentale per sviluppare leghe ad alte prestazioni, più resistenti o termoresistenti.
Tradizionalmente, gli scienziati dei materiali creano leghe usando un elemento come base e aggiungendo piccole quantità di altri elementi per migliorare proprietà specifiche. Le leghe ad alta entropia, invece, contengono diversi elementi in proporzioni quasi uguali, offrendo un vasto spazio di progettazione.
Una nuova frontiera nella scienza dei materiali
Il concetto di SRO nelle leghe metalliche è stato poco esplorato in passato, ma nell'ultimo decennio ha suscitato un rinnovato interesse. Decodificare l'SRO è fondamentale per sviluppare leghe ad alte prestazioni personalizzate.
Tuttavia, comprendere come si dispongono gli atomi è un compito complesso che richiede esperimenti di laboratorio intensivi o simulazioni al computer basate su modelli imperfetti. Queste sfide hanno reso difficile esplorare pienamente l'SRO nelle leghe metalliche.
I ricercatori del MIT stanno utilizzando il machine learning per quantificare, atomo per atomo, i complessi arrangiamenti chimici che costituiscono l'SRO. Il loro lavoro è stato recentemente pubblicato su Proceedings of the National Academy of Sciences.
Il ruolo chiave del machine learning
Per studiare l'SRO utilizzando il machine learning, è utile immaginare la struttura cristallina nelle leghe ad alta entropia come un gioco di unisci i puntini in un libro da colorare. È necessario conoscere le regole per connettere i punti e vedere il modello, catturando le interazioni atomiche con una simulazione abbastanza grande da contenere l'intero schema.
Il team ha sviluppato un modello in grado di riprodurre accuratamente i legami chimici nelle leghe ad alta entropia, il primo passo fondamentale per quantificare l'SRO. Hanno poi impiegato reti neurali euclidee 3D per identificare i motivi chimici dalle simulazioni con un dettaglio senza precedenti, esaminandoli atomo per atomo.
Infine, hanno utilizzato il machine learning per valutare e classificare i diversi motivi chimici. Questo approccio permette di quantificare rapidamente l'SRO per nuovi materiali, confrontandoli con un database preesistente.
Prospettive future
Il team del MIT avrà presto l'opportunità di esplorare come l'SRO può cambiare durante i processi di lavorazione dei metalli, grazie all'accesso al supercomputer più veloce del mondo, Frontier, attraverso il programma INCITE del Dipartimento dell'Energia degli Stati Uniti.
Questa ricerca promette di fornire informazioni 3D complete sull'SRO chimico, superando i limiti delle tecniche di imaging tradizionali. Il framework sviluppato apre la strada allo sviluppo di strumenti predittivi per materiali ad alta entropia, permettendo potenzialmente la progettazione mirata di nuove classi di materiali.
L'applicazione del machine learning alla scienza dei materiali sta rivoluzionando il modo in cui vengono sviluppate le leghe avanzate. Questa ricerca potrebbe portare a progressi significativi in settori come l'aerospaziale, la biomedicina e l'elettronica, aprendo nuove possibilità per materiali con proprietà su misura e prestazioni superiori.
La metallurgia, l'arte e la scienza di lavorare i metalli, ha una storia antichissima che risale a migliaia di anni fa. Gli antichi egizi, già nel 3000 a.C., utilizzavano tecniche sofisticate per la lavorazione dell'oro e del rame. La scoperta delle leghe metalliche, come il bronzo (una lega di rame e stagno), segnò un punto di svolta nella storia umana, dando inizio all'Età del Bronzo.
Nel corso dei secoli, la metallurgia si è evoluta da un'arte empirica a una scienza complessa. Un salto significativo avvenne nel XIX secolo con l'introduzione dell'acciaio su larga scala, che rivoluzionò l'industria e l'architettura. L'acciaio, una lega di ferro e carbonio, divenne il materiale simbolo della Rivoluzione Industriale.
Una curiosità interessante riguarda il titanio, un metallo oggi ampiamente utilizzato in applicazioni aerospaziali e biomediche. Nonostante sia stato scoperto nel 1791, il titanio rimase poco più di una curiosità di laboratorio per oltre 150 anni, a causa delle difficoltà nella sua estrazione e lavorazione. Solo negli anni '50 del XX secolo si svilupparono tecniche efficaci per la sua produzione industriale.
L'intelligenza artificiale sta facendo per la scienza dei materiali ciò che il microscopio ha fatto per la biologia.
L'avvento dell'informatica e, più recentemente, dell'intelligenza artificiale, ha aperto nuove frontiere nella scienza dei materiali. I supercomputer hanno permesso di simulare il comportamento dei materiali a livello atomico, mentre il machine learning sta ora consentendo di analizzare enormi quantità di dati per scoprire nuove leghe con proprietà sorprendenti.
Un esempio affascinante di come l'AI stia rivoluzionando il campo è il progetto "Material Genome Initiative", lanciato negli Stati Uniti nel 2011. Questo progetto utilizza tecniche di machine learning per accelerare drasticamente la scoperta e lo sviluppo di nuovi materiali, promettendo di ridurre il tempo dalla concezione alla commercializzazione da decenni a pochi anni.
Infine, è interessante notare come l'intelligenza artificiale stia anche aiutando a riscoprire leghe antiche perdute. Ad esempio, recenti studi hanno utilizzato algoritmi di machine learning per analizzare antichi manufatti e ricreare leghe utilizzate migliaia di anni fa, di cui si era persa la conoscenza. Questo dimostra come l'AI non sia solo uno strumento per il futuro, ma anche un ponte verso il nostro passato metallurgico.