Surrogate Models for Stochastic Al-Cu Phase-Field Solidification

Quando o metal fundido arrefece e se torna sólido, não se endurece simplesmente num bloco uniforme. Em vez disso, cresce numa estrutura ramificada e complexa, tal como o gelo que se forma num vidro de uma janela ou uma árvore a crescer os seus ramos. Este processo, conhecido como solidificação, determina a arquitetura interna do metal, que, por sua vez, dita o quão forte, flexível ou durável será o objeto final. Os cientistas estudam estes padrões microscópicos para compreender por que razão alguns materiais falham sob tensão enquanto outros resistem, mas observá-los a formar-se em tempo real é incrivelmente difícil. Os padrões são minúsculos, mudam rapidamente e a física que governa o seu crescimento envolve uma mistura caótica de fluxo de calor e movimento químico. Para compreender isto, os investigadores utilizam simulações computacionais poderosas que atuam como microscópios virtuais, resolvendo equações complexas para prever como o metal irá comportar-se. No entanto, estas simulações são tão pesadas computacionalmente que executá-las durante longos períodos ou testar muitas condições diferentes é frequentemente impossível, deixando uma lacuna entre o que os cientistas querem saber e o que os seus computadores conseguem atualmente dizer-lhes.

Uma equipa de investigadores do VTT Technical Research Centre of Finland Ltd desenvolveu uma nova forma de colmatar esta lacuna. Criaram um programa de computador inteligente que consegue prever como ligas de alumínio e cobre se solidificam, mas fá-lo muito mais rapidamente do que os métodos tradicionais, mantendo simultaneamente a natureza aleatória e imprevisível do processo. No seu estudo, os investigadores concentraram-se num tipo específico de mistura metálica onde pequenas flutuações aleatórias no material fazem com que os ramos que se solidificam oscilem e se desloquem de formas únicas. Os modelos computacionais tradicionais muitas vezes suavizam estes detalhes minúsculos para poupar tempo, ou correm tão lentamente que não conseguem explorar cenários suficientes para serem verdadeiramente úteis. A nova abordagem utiliza um tipo de inteligência artificial treinada para aprender com milhares de simulações anteriores. Em vez de apenas adivinhar o resultado mais provável, este modelo compreende que existem muitos futuros possíveis para a estrutura do metal, cada um ligeiramente diferente devido à aleatoriedade inerente ao mundo físico.

Os investigadores testaram o seu novo modelo contra outros dois tipos de inteligência artificial e a simulação computacional original, que é mais lenta. Configuraram um cenário onde uma liga metálica líquida é puxada através de um gradiente de temperatura, fazendo com que congele e cresça uma estrutura dendrítica, semelhante a uma árvore. O objetivo era ver qual dos modelos conseguiria prever a forma da frente do metal e a distribuição de cobre dentro dela ao longo de um longo período sem perder a precisão. Os resultados mostraram que o novo modelo, que os autores chamam de "ponte de difusão de denoising preservadora de variância" (variance-preserving denoising diffusion bridge), superou os outros. Enquanto os outros modelos acabavam por suavizar os detalhes intrincados dos ramos do metal, fazendo com que a estrutura parecesse demasiado perfeita e artificial, o novo modelo preservou a textura fina e irregular do processo físico real. Conseguiu prever onde a borda de avanço do sólido se moveria e como a concentração de cobre mudaria, correspondendo ao comportamento da simulação de alta fidelidade e mais lenta com muito mais proximidade ao longo de grandes distâncias.

Talvez a descoberta mais impressionante tenha sido a velocidade com que este novo modelo opera. A simulação computacional original, que é considerada o padrão de ouro para a precisão, demorou quase quarenta e sete segundos para avançar a simulação por um número específico de passos. O novo modelo de inteligência artificial completou a mesma tarefa numa fração de segundo. Mesmo ao contabilizar os cálculos adicionais necessários para gerar um resultado aleatório e realista, o novo modelo foi aproximadamente setenta e três vezes mais rápido do que o solver tradicional. Este aumento massivo de velocidade significa que engenheiros e cientistas poderiam potencialmente executar milhares de simulações no tempo que anteriormente era necessário para executar apenas uma. Esta capacidade abre a porta ao teste de uma vasta gama de condições de fabrico rapidamente, permitindo a descoberta de configurações ideais para processos como a impressão 3D de metal sem esperar dias ou semanas pelos resultados.

O estudo não afirmou ter resolvido todos os problemas da solidificação de metais, nem sugeriu que o novo modelo seja perfeito para todos os cenários possíveis. Os investigadores notaram que o seu trabalho se limitou a simulações bidimensionais de uma liga específica de alumínio-cobre sob condições térmicas controladas. Enfatizaram que a força do modelo reside na sua capacidade de preservar as propriedades estatísticas das flutuações aleatórias que impulsionam o crescimento do metal, algo que os modelos determinísticos mais simples não conseguiram fazer. Ao provar que uma abordagem probabilística pode manter a fidelidade física oferecendo, ao mesmo tempo, uma aceleração dramática, os investigadores forneceram uma ferramenta poderosa para explorar o mundo microscópico dos materiais. O seu trabalho sugere que o futuro da ciência dos materiais poderá não depender apenas da construção de supercomputadores mais rápidos, mas sim de ensinar os computadores a compreender a bela e caótica aleatoriedade da própria natureza.