Discovering High-Strength Alloys via Physics-Transfer Learning

La forza di un metallo non è un singolo numero scritto su un'etichetta; è una storia scritta attraverso scale di dimensione e tempo. Al livello più piccolo, gli atomi sono disposti in file ordinate, come soldati in formazione. Quando un metallo si piega o si allunga, queste file non scorrono fluidamente l'una rispetto all'altra. Invece, si muovono in modo irregolare, a piccoli passi, guidate da minuscoli difetti nella disposizione atomica chiamati dislocazioni. Immaginate un tappeto pesante che deve essere spostato attraverso un pavimento; non lo trascinate tutto intero in una volta. Create un'increspatura, un rigonfiamento, e spinte quel rigonfiamento lungo il percorso finché il tappeto non si è spostato. In un cristallo, quel rigonfiamento è la dislocazione. La forza necessaria per spingere questo rigonfiamento lungo il percorso è la misura fondamentale di quanto sia forte il metallo. Gli scienziati sanno da tempo che, se riescono a calcolare questa forza, possono prevedere quali nuove leghe saranno le più resistenti. Tuttavia, calcolarla accuratamente è un incubo per i computer. La fisica coinvolta è disordinata e si estende su distanze che sono troppo grandi per le simulazioni atomiche più precise, ma troppo piccole per le regole semplici usate nell'ingegneria. Per decenni, i ricercatori sono rimasti bloccati tra due cattive opzioni: usare un metodo che è veloce ma errato, o usare un metodo che è corretto ma richiede così tanto tempo da rendere impossibile testare più di un manipolo di materiali.

Un team di ricercatori della Tsinghua University e dell'Accademia Cinese delle Scienze ha trovato una via d'uscita da questa trappola. Hanno sviluppato un nuovo approccio che agisce come un traduttore tra due diversi linguaggi della fisica. Hanno addestrato un programma per computer, un tipo di intelligenza artificiale, a comprendere le regole del movimento degli atomi studiando milioni di esempi generati da simulazioni approssimative e veloci. Una volta che il programma ha appreso queste regole, i ricercatori lo hanno alimentato con dati provenienti dalle simulazioni lente e ultra-precise, che di solito sono troppo costose per progetti di grandi dimensioni. Il programma ha usato la sua comprensione della fisica per tradurre i dati precisi in una previsione della resistenza. Questo metodo, che gli autori chiamano apprendimento per trasferimento fisico (physics-transfer learning), ha permesso loro di esaminare migliaia di potenziali combinazioni metalliche in pochi secondi, identificando leghe che avrebbero dovuto essere incredibilmente resistenti. Non si sono fermati allo schermo del computer. Guidati da queste previsioni, hanno costruito un nuovo set di leghe binarie — miscele di due metalli — utilizzando una tecnica di deposizione ad alta velocità. Quando hanno testato questi nuovi materiali, i risultati corrispondevano ampiamente alle previsioni, sebbene una specifica composizione abbia formato una struttura vetrosa invece del cristallo previsto. Hanno creato leghe che sono venti volte più forti delle versioni tradizionali degli stessi metalli, dimostrando che un modello computazionale può guidare con successo la creazione di materiali reali che non erano mai stati prodotti prima.

Il cuore di questo traguardo risiede nel modo in cui i ricercatori hanno gestito il "dilemma accuratezza-prestazioni". In passato, per conoscere la forza di un metallo, gli scienziati dovevano scegliere tra velocità e verità. Potevano usare campi di forza empirici, che sono regole matematiche semplificate che imitano il comportamento atomico. Questi sono abbastanza veloci da essere eseguiti su un laptop, ma spesso sbagliano i dettagli, portando a errori superiori al duecento percento rispetto alla realtà. All'altro capo dello spettro c'erano i calcoli di primo principio, che risolvono le equazioni fondamentali della meccanica quantistica per ogni singolo atomo. Questi sono incredibilmente accurati, ma sono così pesanti dal punto di vista computazionale che possono essere utilizzati solo per cristalli minuscoli e perfetti. Non possono gestire i difetti disordinati e su larga scala dove i metalli reali effettivamente cedono. I ricercatori hanno capito che la relazione tra la struttura atomica e la resistenza del materiale è una legge fisica che esiste indipendentemente dal metodo di calcolo utilizzato. Se un computer potesse apprendere quella legge fisica dai dati veloci e imperfetti, potrebbe essere in grado di applicare la stessa legge ai dati lenti e perfetti.

Per testare questa idea, il team ha costruito una libreria digitale di metalli, inclusi comuni come rame, ferro e titanio, nonché elementi più rari. Hanno eseguito simulazioni utilizzando sia i metodi rapidi e approssimativi che quelli lenti e precisi per vedere come la resistenza di questi metalli cambiasse al variare delle disposizioni atomiche. Hanno poi addestrato una rete neurale, un tipo di intelligenza artificiale ispirata al cervello umano, per trovare il modello che collega i dettagli atomici alla resistenza. La rete ha imparato a riconoscere la fisica sottostante del movimento di una dislocazione attraverso un cristallo. Una volta addestrata, la rete è stata dotata dei dati precisi e di alta qualità delle simulazioni lente. Poiché la rete aveva già appreso le regole del gioco dalle simulazioni veloci, poteva prevedere istantaneamente la resistenza di nuovi materiali con accuratezza chimica. I risultati sono stati sorprendenti. Per sistemi piccoli, il nuovo metodo ha ridotto l'errore da oltre il duecento percento a meno del cinquanta percento, e per sistemi più grandi e complessi, gli errori variavano, oscillando tra circa il 4% e il 48%, a seconda del materiale e del sistema di scorrimento specifico. Il tempo necessario per fare una previsione era una frazione di secondo, una velocità che rendeva possibile esaminare migliaia di candidati in un singolo giorno.

Con questo potente strumento in mano, i ricercatori hanno rivolto la loro attenzione alla vasta libreria di cristalli noti e teorici. Si sono concentrati sulla ricerca di leghe ad alta resistenza che erano state trascurate. Il computer ha scansionato migliaia di possibilità, cercando combinazioni in cui la struttura atomica avrebbe creato la massima resistenza al movimento di quei piccoli rigonfiamenti. L'algoritmo ha identificato diversi candidati promettenti, incluse specifiche miscele di rame e titanio, e alluminio e titanio. Queste non erano semplici ipotesi casuali; il modello prevedeva che questi specifici rapporti avrebbero creato uno stato metastabile, un tipo di disposizione atomica che è resistente ma non la forma più stabile che gli atomi assumono di solito. Questa è una distinzione cruciale. La metallurgia tradizionale si basa sulla ricerca dello stato più stabile, che spesso produce materiali più teneri. Il nuovo approccio suggeriva che forzando gli atomi in una disposizione ad alta energia e meno stabile, si potesse ottenere una resistenza straordinaria.

L'ultimo test consisteva nel vedere se queste previsioni al computer potessero sopravvivere alla realtà disordinata di un laboratorio. Il team ha utilizzato una tecnica chiamata deposizione a fascio ionico per costruire le leghe. Questo processo prevede l'uso di ioni per colpire un bersaglio al fine di staccare gli atomi e poi raccoglierli su una superficie per costruire un nuovo strato di materiale livello dopo livello. È un metodo che consente tassi di raffreddamento molto elevati, necessari per intrappolare gli atomi nello stato metastabile ad alta resistenza previsto dal modello. Hanno creato film di rame-titanio e alluminio-titanio con composizioni che il modello aveva segnalato come vincitrici. Per testare la resistenza, hanno costruito pilastri microscopici del nuovo materiale, larghi solo pochi micrometri, e li hanno schiacciati con un piccolo indentatore. I risultati sono stati drammatici. Le nuove leghe hanno mostrato una resistenza venti volte superiore rispetto alle leghe tradizionali con basso contenuto di soluto. Quando hanno osservato i materiali sotto un potente microscopio elettronico, hanno visto che la resistenza derivava dal modo in cui le dislocazioni si muovevano attraverso il cristallo, esattamente come il modello di trasferimento fisico aveva previsto per i campioni cristallini di successo. Tuttavia, per una specifica lega, Cu4Ti, i limiti della tecnica di deposizione hanno portato a una struttura vetrosa che non mostrava la resistenza anticipata, evidenziando che il percorso dalla previsione alla produzione è ancora complesso. I materiali che si sono formati come cristalli non si sono frantumati come il vetro; si sono piegati e sono fluiti, dimostrando di essere veri metalli con proprietà migliorate.

Il successo di questo progetto va oltre la semplice creazione di metalli più forti. Dimostra un nuovo modo di fare scienza che colma il divario tra teoria ed esperimento. Insegnando a un computer come comprendere le leggi fisiche che governano i materiali, piuttosto che limitarsi a memorizzare punti dati, i ricercatori hanno creato uno strumento capace di generalizzare su materiali che non ha mai visto prima. Hanno dimostrato che la fisica appresa da un tipo di simulazione può essere trasferita a un'altra, permettendo previsioni che siano sia veloci che accurate. Questo approccio apre la porta all'esplorazione di una gamma molto più ampia di materiali, inclusi quelli difficili da sintetizzare o che esistono solo in database teorici. I ricercatori hanno osservato che, sebbene il loro metodo avesse identificato con successo candidati ad alta resistenza, la fabbricazione effettiva richiedeva tecniche avanzate per stabilizzare questi materiali. Non ogni previsione ha portato a un cristallo perfetto; alcuni tentativi hanno portato a strutture vetrose che non mostravano la resistenza attesa, sottolineando che il percorso dalla previsione alla produzione è ancora complesso. Tuttavia, la capacità di restringere la ricerca da milioni di possibilità a un manipolo di candidati praticabili è un enorme passo avanti.

Questo lavoro suggerisce che il futuro della scoperta dei materiali dipenderà da una partnership tra l'intuizione umana e l'apprendimento automatico. I ricercatori non hanno sostituito la necessità di esperimenti fisici o di una profonda comprensione teorica. Invece, hanno usato l'intelligenza artificiale per tradurre tra le diverse scale della fisica, permettendo loro di vedere connessioni che prima erano nascoste dai limiti della computazione. Hanno dimostrato che è possibile esaminare leghe ad alta resistenza con un livello di precisione che prima era riservato alle simulazioni più costose e lunghe. Il risultato è una nuova classe di materiali, come le leghe di rame-titanio e alluminio-titanio, che sono pronti per essere testati in applicazioni del mondo reale. Mentre il campo avanza, questo quadro di trasferimento fisico potrebbe essere applicato ad altri problemi complessi della scienza, aiutando a risolvere il dilemma accuratezza-prestazioni in aree che vanno dall'accumulo di energia alla progettazione di farmaci. Lo studio rappresenta una chiara dimostrazione del fatto che, quando insegniamo alle macchine le regole del mondo fisico, esse possono aiutarci a costruire un futuro più forte e resiliente.