Diseño de aleaciones metálicas utilizando técnicas de aprendizaje automático

• Rodrigo Alexis Rojas Villafuerte
• Ago. 28, 2023

INTRODUCCIÓN

Tradicionalmente, el proceso de diseño de aleaciones implicaba una combinación de experiencia empírica, ensayo y error, y cálculos teóricos basados en la ciencia de los materiales. Sin embargo, con los avances en la inteligencia artificial y el aprendizaje automático (Machine Learning), se ha abierto un nuevo camino para acelerar y optimizar el diseño de aleaciones metálicas.

 

El diseño de aleaciones metálicas implica la combinación de diferentes elementos para obtener propiedades específicas, como resistencia, conductividad eléctrica, resistencia a la corrosión, entre otras. En el pasado, los metalurgistas confiaban en la intuición y la experimentación para crear nuevas aleaciones. Sin embargo, este enfoque es costoso y lleva tiempo. Con el advenimiento del aprendizaje automático, se ha vuelto posible acelerar significativamente este proceso.

 

DEFINICIONES

Concepción de Aleaciones Metálicas: Las aleaciones metálicas, amalgamas de dos o más componentes metálicos, son sujetas al diseño con el fin de establecer sus propiedades químicas y físicas con el propósito de atender requerimientos específicos, tales como resistencia, dureza, conductividad, corrosión, entre otros.

 

Aprendizaje Automático: En el dominio del aprendizaje automático, una rama de la inteligencia artificial, se desarrollan algoritmos y modelos con la capacidad de discernir patrones y efectuar decisiones basadas en información. Estos métodos pueden ser supervisados, no supervisados o basados en refuerzo, y su aplicabilidad es amplia y diversificada. El aprendizaje automático se ha aplicado con éxito en varias etapas del diseño de aleaciones metálicas:

 

APRENDIZAJE AUTOMÁTICO EN EL DISEÑO DE ALEACIONES METÁLICAS

Predicción de Propiedades: Una de las aplicaciones más comunes es la predicción de propiedades de las aleaciones en función de su composición. Los modelos de aprendizaje automático pueden analizar grandes conjuntos de datos de aleaciones y aprender relaciones complejas entre los componentes y las propiedades finales. Esto permite a los ingenieros predecir con precisión las propiedades de una nueva aleación antes de fabricarla.

 

Optimización de Composición: Los algoritmos de optimización basados en aprendizaje automático pueden encontrar la composición óptima para una aleación con propiedades específicas. Esto ahorra tiempo y recursos al eliminar la necesidad de realizar experimentos costosos.

 

Descubrimiento de Nuevas Aleaciones: El aprendizaje automático también puede ayudar en el descubrimiento de nuevas aleaciones. Los modelos pueden analizar la vasta cantidad de datos científicos disponibles y proponer combinaciones de elementos que podrían dar lugar a aleaciones novedosas y prometedoras.

 

LA REVOLUCIÓN DEL APRENDIZAJE AUTOMÁTICO EN LA INVESTIGACIÓN DE MATERIALES

Uno de los cambios más significativos es la automatización de la investigación utilizando modelos basados en ML para sugerir nuevos experimentos o simulaciones. Este ciclo de retroalimentación impulsado por máquinas, que incluye la generación de datos, el reentrenamiento de modelos y una predicción mejorada, representa un cambio paradigmático en la investigación de materiales.

 

Las aplicaciones de ML en la modelización de aleaciones computacionales van desde la construcción de modelos basados en el Hamiltoniano hasta la ciencia de materiales centrada en datos. Las representaciones de materiales son uno de los conceptos más importantes en ML para materiales, y una representación ideal debe cumplir con cuatro criterios principales: invariancia, unicidad, estabilidad e interpretabilidad.

 

• Invariancia: Una representación debe respetar todas las simetrías del sistema, ya que una representación no invariante requeriría más datos de entrenamiento para que el modelo corrija lo que se ingresó incorrectamente.

• Unicidad: Una representación única garantiza que dos materiales no tengan las mismas características. Una representación no única conduciría a errores en la predicción para al menos uno de los materiales con características degeneradas.

• Estabilidad: En una representación estable, dos materiales que son deformaciones menores entre sí tendrían características muy similares. Una representación inestable hace que el problema sea innecesariamente difícil.

• Interpretabilidad: Una representación interpretable proporciona información sobre las razones detrás de las predicciones del algoritmo, lo que ayuda a comprender mejor el problema y las propiedades de los materiales.

 

APLICACIÓN DE DISEÑO DE ALEACIONES

La utilización de técnicas de aprendizaje automático en el diseño de aleaciones metálicas se manifiesta de las siguientes formas:

 

• Proyección de Propiedades: Mediante algoritmos de aprendizaje automático, se pueden analizar datos antecedentes de composición y propiedades de aleaciones con el propósito de anticipar las propiedades de nuevas aleaciones. Este enfoque agiliza la selección de materiales adecuados para aplicaciones específicas.

• Optimización de Composición: El aprendizaje automático asiste en la identificación de combinaciones y proporciones de elementos que optimizan ciertas propiedades deseables. Esta técnica resulta especialmente útil en la búsqueda de aleaciones con características excepcionales que podrían escapar a los métodos convencionales de prueba y error.

• Revelación de Relaciones Complejas: Algunas propiedades de las aleaciones pueden estar sujetas a interacciones intrincadas entre múltiples variables. El aprendizaje automático puede identificar relaciones no lineales y patrones intrincados que son de difícil detección mediante enfoques tradicionales.

• Disminución del Tiempo y Costos: Los procedimientos de simulación y desarrollo experimental de nuevas aleaciones pueden ser costosos y cronófagos. La implementación de técnicas de aprendizaje automático tiene el potencial de acelerar el proceso de diseño al proporcionar información pertinente antes de la etapa de pruebas.

 

FUTURO DEL APRENDIZAJE AUTOMÁTICO EN EL CAMPO DE LAS ALEACIONES

Diseño autónomo de materiales

El aprendizaje automático se utilizará en combinación con el aprendizaje activo para seleccionar las prioridades de síntesis y optimización de materiales. Esto incluirá modelos generativos para predecir nuevos materiales. La combinación de exploración (obtención de nuevos datos en áreas con poca información) y explotación (búsqueda de propiedades óptimas) permitirá la generación de grandes volúmenes de datos experimentales de alta calidad de manera automatizada.

 

Problemas complejos

El aumento de la complejidad en sistemas con un gran número de especies requerirá el uso de ML en el desarrollo de superaleaciones industriales y sistemas de alta entropía. También se utilizará ML para abordar problemas difíciles de modelar directamente, como la formación de vidrio o el ordenamiento magnético. La caracterización de la química de los límites de grano en procesos de corrosión, cinética de microestructuras y plasticidad es otro problema difícil que ya se está abordando mediante ML.

 

Cálculos cuánticos

El ML tiene el potencial de mejorar los cálculos basados en la teoría de la densidad funcional (DFT), que es ampliamente utilizada en la modelización de aleaciones a escala atómica. Esto podría lograrse ajustando sistemáticamente las aproximaciones utilizadas en la DFT a datos experimentales y/o computacionales altamente precisos, manteniendo al mismo tiempo las restricciones físicas conocidas.