Un gran equipo de investigadores del Max-Planck-Institut f\u00fcr Eisenforschung GmbH, en colaboraci\u00f3n con colegas de la Technische Universit\u00e4t Darmstadt, la Universidad Tecnol\u00f3gica de Delft y el Instituto Real de Tecnolog\u00eda KTH, descubri\u00f3 que es posible utilizar el aprendizaje autom\u00e1tico para ayudar a los metal\u00fargicos a encontrar el mezcla \u00f3ptima de metales para crear una aleaci\u00f3n deseada. En su art\u00edculo publicado en la revista Science, el grupo describe su proceso de tres pasos y qu\u00e9 tan bien funcion\u00f3 cuando se prob\u00f3. Qing-Miao Hu y Rui Yang, del Instituto de Investigaci\u00f3n de Metales de la Academia de Ciencias de China, han publicado un art\u00edculo de Perspectivas en la misma edici\u00f3n de la revista que describe el trabajo realizado por el equipo en este nuevo esfuerzo.<\/p>\n\n\n\n
Los seres humanos han estado mezclando metales para satisfacer sus necesidades durante miles de a\u00f1os y, al hacerlo, han aprendido mucho sobre la creaci\u00f3n de aleaciones. Pero encontrar la combinaci\u00f3n perfecta siempre ha implicado cierto grado de inspiraci\u00f3n, paciencia y oportunidad. Por lo tanto, la mayor\u00eda de las aleaciones se han creado comenzando con un metal principal, como el hierro, y agregando peque\u00f1as cantidades de otros metales para ver qu\u00e9 caracter\u00edsticas resultan.<\/p>\n\n\n\n
Sin embargo, en las \u00faltimas d\u00e9cadas, las cosas han comenzado a cambiar: algunos investigadores han comenzado a fabricar aleaciones que tienen partes iguales de varios metales. La creaci\u00f3n de tales aleaciones con las caracter\u00edsticas deseadas es, por supuesto, mucho m\u00e1s desafiante. En este nuevo esfuerzo, los investigadores aplicaron el aprendizaje autom\u00e1tico para ayudar con el proceso. Comenzaron reduciendo el espacio de prueba a una sola aplicaci\u00f3n, creando aleaciones que no se expanden ni se contraen mucho cuando se exponen a cambios de temperatura.<\/p>\n\n\n\n
Para crear una aplicaci\u00f3n de aprendizaje autom\u00e1tico, los investigadores buscaron y encontraron caracter\u00edsticas de los metales que podr\u00edan usarse con fines de comparaci\u00f3n y luego ense\u00f1aron su sistema utilizando informaci\u00f3n en las bases de datos actualmente disponibles. Al hacerlo, desarrollaron un proceso para encontrar una aleaci\u00f3n que se adaptara al prop\u00f3sito deseado.<\/p>\n\n\n\n
El proceso del equipo se redujo a tres pasos b\u00e1sicos: primero, generaron nuevas mezclas utilizando modelos basados \u200b\u200ben la informaci\u00f3n contenida en la base de datos que describe las caracter\u00edsticas del metal. Luego, usaron un segundo modelo para ayudar a predecir las propiedades de ciertas aleaciones que crearon usando el primer paso. El paso final consisti\u00f3 en estudiar las aleaciones candidatas producidas por el sistema y elegir algunas para probarlas en el mundo real.<\/p>\n\n\n\n
Usando su sistema, los investigadores derivaron 1,000 candidatos que se redujeron a solo tres aleaciones. Luego crearon las tres aleaciones usando la mezcla descrita por su sistema y probaron sus propiedades f\u00edsicas. Luego, el equipo entren\u00f3 el sistema con datos derivados de las aleaciones reales y repiti\u00f3 todo el proceso. En total, lo ejecutaron siete veces y encontraron una aleaci\u00f3n con un coeficiente t\u00e9rmico m\u00e1s peque\u00f1o que el r\u00e9cord actual.<\/p>\n\n\n\n