Lo sviluppo di nuovi materiali richiede molto tempo, denaro e fatica. Recentemente, un team di ricerca POSTECH ha fatto un passo avanti verso la creazione di nuovi materiali applicando l'intelligenza artificiale per sviluppare leghe ad alta entropia (HEA) che vengono chiamate "leghe di leghe".

Un gruppo di ricerca congiunto guidato dal professor Seungchul Lee, dottorato di ricerca candidato Soo Young Lee, Il professor Hyungyu Jin e il dottorato di ricerca. Il candidato Seokyeong Byeon del Dipartimento di Ingegneria Meccanica insieme al Professor Hyoung Seop Kim del Dipartimento di Scienza e Ingegneria dei Materiali hanno sviluppato insieme una tecnica per la previsione di fase degli HEA utilizzando l'intelligenza artificiale. I risultati dello studio sono stati pubblicati nell'ultimo numero di Materiali e design , una rivista internazionale di scienza dei materiali.

I materiali metallici sono convenzionalmente realizzati mescolando l'elemento principale per la proprietà desiderata con due o tre elementi ausiliari. In contrasto, Gli HEA sono realizzati con proporzioni uguali o simili di cinque o più elementi senza un elemento principale. I tipi di leghe che si possono realizzare in questo modo sono teoricamente infiniti e hanno eccezionali caratteristiche meccaniche, termico, fisico, e proprietà chimiche. Leghe resistenti alla corrosione o a temperature estremamente basse, e le leghe ad alta resistenza sono già state scoperte.

Però, fino ad ora, la progettazione di nuovi materiali in lega ad alta entropia si è basata su prove ed errori, richiedendo così molto tempo e denaro. Era ancora più difficile determinare in anticipo la fase e le proprietà meccaniche e termiche della lega ad alta entropia in fase di sviluppo.

A questa, il team di ricerca congiunto si è concentrato sullo sviluppo di modelli di previsione su HEA con previsione di fase e spiegabilità avanzate utilizzando il deep learning. Hanno applicato il deep learning attraverso tre prospettive:ottimizzazione del modello, generazione di dati e analisi dei parametri. In particolare, l'attenzione si è concentrata sulla costruzione di un modello di miglioramento dei dati basato sulla rete dell'avversario generativo condizionale. Ciò ha consentito ai modelli di intelligenza artificiale di riflettere campioni di HEA non ancora scoperti, migliorando così l'accuratezza della previsione di fase rispetto ai metodi convenzionali.

Inoltre, il team di ricerca ha sviluppato un modello descrittivo di previsione della fase HEA basato sull'intelligenza artificiale per fornire interpretabilità ai modelli di apprendimento profondo, che funge da scatola nera, fornendo anche una guida sui parametri di progettazione chiave per la creazione di HEA con determinate fasi.

"Questa ricerca è il risultato di un drastico miglioramento dei limiti della ricerca esistente incorporando l'IA negli HEA che recentemente hanno attirato molta attenzione, " ha osservato il professor Seungchul Lee. Ha aggiunto, "È significativo che la collaborazione multidisciplinare del team di ricerca congiunto abbia prodotto risultati che possono accelerare la fabbricazione basata sull'intelligenza artificiale di nuovi materiali".

Il professor Hyungyu Jin ha anche aggiunto, "Si prevede che i risultati dello studio ridurranno notevolmente i tempi e i costi necessari per il processo di sviluppo del nuovo materiale esistente, e da utilizzare attivamente per sviluppare nuove leghe ad alta entropia in futuro."