Discovering High-Strength Alloys via Physics-Transfer Learning

La resistencia de un metal no es un único número escrito en una etiqueta; es una historia escrita a través de escalas de tamaño y tiempo. Al nivel más pequeño, los átomos están dispuestos en filas ordenadas, como soldados en formación. Cuando un metal se dobla o se estira, estas filas no se deslizan suavemente unas junto a otras. En cambio, se mueven de una manera dentada, paso a paso, impulsadas por diminutos defectos en la alineación atómica llamados dislocaciones. Imagine una alfombra pesada que debe ser movida a través de un suelo; usted no arrastra toda la cosa a la vez. Usted crea una onda, un bulto, y empuja ese bulto hasta que la alfombra se haya desplazado. En un cristal, ese bulto es la dislocación. La fuerza requerida para empujar este bulto a lo largo es la medida fundamental de cuán fuerte es el metal. Los científicos han sabido durante mucho tiempo que si pueden calcular esta fuerza, pueden predecir qué nuevas aleaciones serán las más resistentes. Sin embargo, calcularla con precisión es una pesadilla para las computadoras. La física involucrada es desordenada y se extiende a través de distancias que son demasiado grandes para las simulaciones atómicas más precisas, pero demasiado pequeñas para las reglas simples utilizadas en la ingeniería. Durante décadas, los investigadores han estado atrapados entre dos malas opciones: usar un método que es rápido pero incorrecto, o usar un método que es correcto pero toma tanto tiempo que es imposible probar más que un puñado de materiales.

Un equipo de investigadores de la Universidad de Tsinghua y la Academia China de Ciencias ha encontrado una salida a esta trampa. Desarrollaron un nuevo enfoque que actúa como un traductor entre dos lenguajes diferentes de la física. Entrenaron un programa de computadora, un tipo de inteligencia artificial, para entender las reglas de cómo se mueven los átomos estudiando millones de ejemplos generados por simulaciones rápidas y aproximadas. Una vez que el programa aprendió estas reglas, los investigadores le suministraron datos de las simulaciones lentas y ultraprecisas que usualmente son demasiado costosas de ejecutar para proyectos grandes. El programa utilizó su comprensión de la física para traducir los datos precisos en una predicción de resistencia. Este método, que los autores llaman aprendizaje de transferencia de física, les permitió examinar miles de combinaciones potenciales de metales en cuestión de segundos, identificando aleaciones que deberían ser increíblemente fuertes. No se detuvieron en la pantalla de la computadora. Guiados por estas predicciones, construyeron un nuevo conjunto de aleaciones binarias —mezclas de dos metales— utilizando una técnica de deposición de alta velocidad. Cuando probaron estos nuevos materiales, los resultados coincidieron en gran medida con las predicciones, aunque una composición específica formó una estructura vítrea en lugar del cristal predicho. Crearon aleaciones que son veinte veces más fuertes que las versiones tradicionales de los mismos metales, demostrando que un modelo computacional podía guiar con éxito la creación de materiales del mundo real que nunca antes habían sido fabricados.

El núcleo de este logro reside en cómo los investigadores manejaron el "dilema de precisión-rendimiento". En el pasado, para conocer la resistencia de un metal, los científicos tenían que elegir entre velocidad y verdad. Podían usar campos de fuerza empíricos, que son reglas matemáticas simplificadas que imitan el comportamiento atómico. Estos son lo suficientemente rápidos como para ejecutarse en una computadora portátil, pero a menudo erran en los detalles, produciendo errores de más del doscientos por ciento en comparación con la realidad. En el otro extremo del espectro estaban los cálculos de primeros principios, que resuelven las ecuaciones fundamentales de la mecánica cuántica para cada átomo individual. Estos son increíblemente precisos, pero son tan computacionalmente pesados que solo pueden usarse para cristales diminutos y perfectos. No pueden manejar los defectos desordenados y a gran escala donde los metales reales realmente fallan. Los investigadores se dieron cuenta de que la relación entre la estructura atómica y la resistencia del material es una ley física que existe independientemente del método de cálculo utilizado. Si una computadora pudiera aprender esa ley física a partir de los datos rápidos e imperfectos, podría aplicar esa misma ley a los datos lentos y perfectos.

Para probar esta idea, el equipo construyó una biblioteca digital de metales, incluyendo comunes como el cobre, el hierro y el titanio, así como elementos más raros. Ejecutaron simulaciones usando tanto los métodos rápidos y aproximados como los métodos lentos y precisos para ver cómo cambiaba la resistencia de estos metales a medida que ajustaban las disposiciones atómicas. Luego entrenaron una red neuronal, un tipo de inteligencia artificial inspirada en el cerebro humano, para encontrar el patrón que conecta los detalles atómicos con la resistencia. La red aprendió a reconocer la física subyacente de cómo se mueve una dislocación a través de un cristal. Una vez entrenada, la red recibió los datos precisos y de alta calidad de las simulcciones lentas. Debido a que la red ya había aprendido las reglas del juego a partir de las simulaciones rápidas, podía predecir instantáneamente la resistencia de nuevos materiales con precisión química. Los resultados fueron sorprendentes. Para sistemas pequeños, el nuevo método redujo el error de más del doscientos por ciento a menos del cincuenta por ciento, y para sistemas más grandes y complejos, los errores variaron, oscilando aproximadamente entre el 4% y el 48% dependiendo del material y el sistema de deslizamiento específicos. El tiempo que tomó hacer una predicción fue una fracción de segundo, una velocidad que hizo posible examinar miles de candidatos en un solo día.

Con esta poderosa herramienta en mano, los investigadores dirigieron su atención a la vasta biblioteca de cristales conocidos y teóricos. Se enfocaron en encontrar aleaciones de alta resistencia que habían sido pasadas por alto. La computadora escaneó miles de posibilidades, buscando combinaciones donde la estructura atómica crearía la mayor resistencia al movimiento de esos diminutos bultos. El algoritmo identificó varios candidatos prometedores, incluyendo mezclas específicas de cobre y titanio, y aluminio y titanio. Estos no eran solo conjeturas al azar; el modelo predijo que estas proporciones específicas crearían un estado metaestable, un tipo de disposición atómica que es fuerte pero no la forma más estable que los átomos suelen tomar. Esta es una distincción crucial. La metalurgia tradicional se basa en encontrar el estado más estable, lo que a menudo resulta en materiales más blandos. El nuevo enfoque sugirió que, al forzar a los átomos a una disposición de alta energía y menos estable, podrían lograr una resistencia extraordinaria.

La prueba final era ver si estas predicciones computacionales podrían sobrevivir a la realidad desordenada de un laboratorio. El equipo utilizó una técnica llamada deposición por haz de iones para construir las aleaciones. Este proceso implica disparar iones contra un objetivo para desprender átomos y luego capturarlos en una superficie para construir una nueva capa de material capa por capa. Es un método que permite tasas de enfriamiento muy altas, lo cual es necesario para atrapar a los átomos en el estado metaestable de alta resistencia predicho por el modelo. Crearon películas de cobre-titanio y aluminio-titanio con composiciones que el modelo había marcado como ganadoras. Para probar la resistencia, construyeron pilares microscópicos del nuevo material, cada uno de solo unos pocos micrómetros de ancho, y los comprimieron con un indentador diminuto. Los resultados fueron dramáticos. Las nuevas aleaciones mostraron una resistencia veinte veces mayor que las aleaciones tradicionales con bajo contenido de soluto. Cuando observaron los materiales bajo un potente microscopio electrónico, vieron que la resistencia provenía de la forma en que las dislocaciones se movían a través del cristal, exactamente como el modelo de transferencia de física había predicho para las muestras cristalinas exitosas. Sin embargo, para una aleación específica, Cu4Ti, las limitaciones de la técnica de deposición resultaron en una estructura vítrea que no mostró la resistencia anticipada, resaltando que el camino desde la predicción hasta la producción sigue siendo complejo. Los materiales que sí se formaron como cristales no se rompieron como el vidrio; se doblaron y fluyeron, demostrando que eran metales verdaderos con propiedades mejoradas.

El éxito de este proyecto va más allá de simplemente fabricar metales más fuertes. Demuestra una nueva forma de hacer ciencia que tiende un puente entre la teoría y el experimento. Al enseñar a una computadora a entender las leyes físicas que gobiernan los materiales, en lugar de simplemente memorizar puntos de datos, los investigadores crearon una herramienta que puede generalizarse a materiales que nunca ha visto. Demostraron que la física aprendida de un tipo de simulación puede transferirse a otro, permitiendo predicciones que son tanto rápidas como precisas. Este enfoque abre la puerta a la exploración de una gama mucho más amplia de materiales, incluyendo aquellos que son difíciles de sintetizar o que existen solo en bases de datos teóricas. Los investigadores señalaron que, si bien su método identificó con éxito candidatos de alta resistencia, la fabricación real requirió técnicas avanzadas para estabilizar estos materiales. No toda predicción resultó en un cristal perfecto; algunos intentos llevaron a estructuras vítreas que no mostraron la resistencia esperada, resaltando que el camino de la predicción a la producción sigue siendo complejo. Sin embargo, la capacidad de reducir la búsqueda de millones de posibilidades a un puñado de candidatos viables es un salto masivo hacia adelante.

Este trabajo sugiere que el futuro del descubrimiento de materiales dependerá de una asociación entre la visión humana y el aprendizaje automático. Los investigadores no reemplazaron la necesidad de experimentos físicos o de una comprensión teórica profunda. En cambio, utilizaron la inteligencia artificial para traducir entre las diferentes escalas de la física, permitiéndoles ver conexiones que anteriormente estaban ocultas por las limitaciones de la computación. Demostraron que es posible buscar aleaciones de alta resistencia con un nivel de precisión que antes estaba reservado para las simulaciones más caras y laboriosas. El resultado es una nueva clase de materiales, tales como las aleaciones de cobre-titanio y aluminio-titanio, que están listos para ser probados en aplicaciones del mundo real. A medida que el campo avanza, este marco de transferencia de física podría aplicarse a otros problemas complejos de la ciencia, ayudando a resolver el dilema de precisión-rendimiento en áreas que van desde el almacenamiento de energía hasta el diseño de fármacos. El estudio es una clara demostración de que cuando enseñamos a las máquinas las reglas del mundo físico, ellas pueden ayudarnos a construir un futuro más fuerte y más resiliente.