Síntesis y caracterización de MPEA seleccionados. Crédito: NPJ Materiales computacionales (2025). Doi: 10.1038/s41524-025-01600-x
Encontrados en reemplazos de rodilla y placas de huesos, componentes de aeronaves y convertidores catalíticos, los metales excepcionalmente fuertes conocidos como múltiples aleaciones de elementos principales (MPEA) están a punto de fortalecerse aún más a través de la inteligencia artificial.
Sanket Deshmukh, profesor asociado en ingeniería química, y su equipo han diseñado una nueva MPEA con propiedades mecánicas superiores utilizando un marco basado en datos que aprovecha el poder de supercomputadora de la inteligencia artificial (IA) explicable.
Sus hallazgos se publican en NPJ Computational Materials.
“Este trabajo demuestra cómo los marcos basados en datos y la IA explicable pueden desbloquear nuevas posibilidades en el diseño de materiales”, dijo Deshmukh.
“Al integrar el aprendizaje automático, los algoritmos evolutivos y la validación experimental, no solo estamos acelerando el descubrimiento de aleaciones metálicas avanzadas, sino también creando herramientas que pueden extenderse a sistemas de materiales complejos como glucomateriales, materiales políticos que contienen carbohidratos”.
Sinergia elemental, propiedades extraordinarias
Los MPEA son valiosos debido a sus excepcionales propiedades mecánicas y versatilidad. Compuestas de tres o más elementos metálicos, estas aleaciones están diseñadas para ofrecer una excelente estabilidad térmica, resistencia, dureza y resistencia a la corrosión y el desgaste. Debido a que pueden resistir condiciones extremas durante períodos más largos que las aleaciones tradicionales, son ideales para aplicaciones en tecnologías aeroespaciales, médicas y de energía renovable.
El objetivo principal del equipo era desarrollar una nueva aleación con una resistencia mecánica superior en comparación con el modelo actual.
Tradicionalmente, el diseño de MPEAS ha involucrado prueba y error, que es lento y costoso. Pero Deshmukh y su equipo están explorando las vastas posibilidades de diseñar MPEAS usando IA explicable.
Una diferencia importante entre la IA estándar y la IA explicable es que los modelos de IA tradicionales a menudo se comportan como “cajas negras”: generan predicciones, pero no siempre entendemos cómo o por qué se hacen esas predicciones. La IA explicable aborda esta limitación al proporcionar información sobre el proceso de toma de decisiones del modelo.
(Desde la izquierda) Sanket Deshmukh, profesor asociado en ingeniería química, y Fangxi “Toby” Wang, científico de investigación en ingeniería química, discutiendo los resultados de los métodos de inteligencia artificiales explicables. Crédito: Hailey Wade para Virginia Tech.
En su trabajo, el equipo utilizó una técnica llamada análisis de SHAP (explicaciones aditivas de Shapley) para interpretar las predicciones hechas por su modelo de IA. Esto permitió a los miembros del equipo comprender cómo los diferentes elementos y sus entornos locales influyen en las propiedades de los MPEA. Como resultado, obtuvieron no solo predicciones precisas, sino también una visión científica valiosa.
La IA puede predecir rápidamente las propiedades de los nuevos MPEA en función de su composición y optimizar la combinación de elementos para aplicaciones específicas. Utilizando grandes conjuntos de datos de experimentos y simulaciones, AI puede ayudar a explicar los comportamientos mecánicos de los MPEA, guiando el diseño de nuevas aleaciones avanzadas.
“Aprovechar la IA explicable acelera nuestra comprensión de los comportamientos mecánicos de MPEAS. Podría transformar el diseño tradicional de materiales de ensayo y error tradicional en un proceso más predictivo y perspicaz”, dijo Fangxi “Toby” Wang, asociado posdoctoral en ingeniería química e investigador en el proyecto.
“Nuestro flujo de trabajo de diseño, que combina el aprendizaje automático avanzado y los algoritmos evolutivos, proporciona información interpretable sobre las relaciones estructuras de la propiedad de los materiales, ofreciendo un enfoque robusto para el descubrimiento de diversos materiales avanzados”.
La colaboración impulsa los avances
Deshmukh se asoció con socios en todas las disciplinas e instituciones sobre la investigación: Tyrel McQueen, profesor de ciencia e ingeniería de materiales en la Universidad Johns Hopkins, y Maren Roman, profesora de biomateriales sostenibles en Virginia Tech y directora de Glycomip, una plataforma de innovación de materiales de la Fundación Nacional de Ciencias.
“Trabajar en un proyecto Este interdisciplinario es un placer”, dijo Allana Iwanicki, una estudiante graduada en ciencias e ingeniería de materiales en Johns Hopkins, quien sintetizó y probó las aleaciones. “Este trabajo une dos campos: biomateriales computacionales y materiales inorgánicos sintéticos. Es emocionante lograr resultados significativos para ambos grupos”.
Después de centrarse inicialmente en estos sistemas sin solventes, Deshmukh y su equipo ya han extendido este marco computacional para diseñar materiales más complejos, como nuevos glucomateriales, con posibles aplicaciones en una amplia gama de productos, incluidos aditivos alimentarios, artículos de cuidado personal, productos de salud y materiales de embalaje.
Estos avances no solo destacan la naturaleza traslacional de esta investigación, sino que también allanan el camino para futuros avances en ciencia material y biotecnología.
“Nuestra colaboración interdisciplinaria en dos plataformas de innovación de materiales de National Science Foundation Foundation no solo nos permite desarrollar herramientas y plataformas transferibles, sino que también destaca cómo las asociaciones en la intersección de la computación, la síntesis y la caracterización pueden impulsar avances transformadores tanto en la ciencia fundamental como en las aplicaciones fundamentales del mundo”, dijo Deshmukh.
Más información: Fangxi Wang et al, diseño inverso validado experimentalmente de MPEAS FenicRCOCU y desbloqueo de ideas clave con IA explicable, NPJ Materiales computacionales (2025). Doi: 10.1038/s41524-025-01600-x.
Proporcionado por Virginia Tech
Cita: el marco de IA explicable revela cómo las combinaciones de elementos aumentan la fuerza y la durabilidad de la aleación (2025, 15 de mayo) Recuperado el 15 de mayo de 2025 de https://techxplore.com/news/2025-05-ai-framework-reveals-element-combinations.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
