Un team di ricerca della Virginia Tech ha sviluppato una lega a elementi principali multipli (MPEA) con proprietà meccaniche superiori attraverso un framework basato sui dati che sfrutta la potenza di supercalcolo dell’intelligenza artificiale (IA) spiegabile.
I ricercatori della Virginia Tech hanno sviluppato una lega a elementi principali multipli (MPEA) con proprietà meccaniche superiori mediante un sistema basato sui dati che sfrutta la potenza di supercalcolo dell’intelligenza artificiale spiegabile. I loro risultati, supportati da finanziamenti della National Science Foundation, sono stati recentemente pubblicati sulla rivista npj Computational Materials di Nature.
“Questo lavoro dimostra come framework basati sui dati e AI spiegabile possano aprire nuove possibilità nella progettazione dei materiali. Integrando apprendimento automatico, algoritmi evolutivi e validazione sperimentale, non solo stiamo accelerando la scoperta di leghe metalliche avanzate, ma stiamo anche creando strumenti che possono essere estesi a sistemi di materiali complessi come i glicomateriali, materiali polimerici contenenti carboidrati” afferma il capo della ricerca Sanket Deshmukh.
Leghe con proprietà straordinarie
Le leghe MPEA sono preziose per le loro eccezionali proprietà meccaniche e la loro versatilità. Composte da tre o più elementi metallici, queste leghe sono progettate per offrire un’eccellente stabilità termica, resistenza, tenacità e resistenza alla corrosione e all’usura. Poiché possono resistere a condizioni estreme per periodi più lunghi rispetto alle leghe tradizionali, sono ideali per applicazioni nei settori aerospaziale, dei dispositivi medici e delle tecnologie delle energie rinnovabili. L’obiettivo principale del team era sviluppare una nuova lega con una resistenza meccanica superiore rispetto al modello attuale.
Una delle principali differenze tra l’intelligenza artificiale standard e l‘intelligenza artificiale spiegabile è che i modelli di intelligenza artificiale tradizionali spesso si comportano come “scatole nere”: generano previsioni, ma non sempre comprendiamo come o perché tali previsioni vengano formulate. L’intelligenza artificiale spiegabile affronta questa limitazione fornendo informazioni sul processo decisionale del modello.
Nel suo lavoro, i ricercatori hanno impiegato una tecnica chiamata analisi SHAP (SHapley Additive exPlanations) per interpretare le previsioni effettuate dal suo modello di intelligenza artificiale. Ciò ha permesso loro di comprendere come diversi elementi e i loro ambienti locali influenzino le proprietà delle MPEA. Di conseguenza, hanno ottenuto non solo previsioni accurate, ma anche preziose informazioni scientifiche.
L’intelligenza artificiale può prevedere rapidamente le proprietà delle nuove MPEA in base alla loro composizione e ottimizzare la combinazione di elementi per applicazioni specifiche. Utilizzando ampi set di dati provenienti da esperimenti e simulazioni, l’intelligenza artificiale può contribuire a spiegare il comportamento meccanico delle MPEA, guidando la progettazione di nuove leghe avanzate.
Dopo essersi inizialmente concentrati su sistemi privi di solventi, Deshmukh e il suo team hanno esteso il framework computazionale per progettare materiali più complessi, come nuovi glicomateriali, con potenziali applicazioni in un’ampia gamma di prodotti, tra cui additivi alimentari, prodotti per la cura della persona, prodotti per la salute e materiali di imballaggio. Questi progressi non solo evidenziano la natura traslazionale di questa ricerca, ma aprono anche la strada a future innovazioni nella scienza dei materiali e nella biotecnologia.
“La nostra collaborazione interdisciplinare attraverso due piattaforme di innovazione dei materiali della National Science Foundation non solo ci consente di sviluppare strumenti e piattaforme trasferibili, ma evidenzia anche come le partnership all’intersezione tra computazione, sintesi e caratterizzazione possano guidare innovazioni trasformative sia nella scienza, sia nelle applicazioni del mondo reale” conclude Deshmukh.