I materiali superduri sono molto richiesti nell'industria, dalla produzione di energia all'aerospaziale, ma trovare nuovi materiali adatti è stata in gran parte una questione di tentativi ed errori basati su materiali classici come i diamanti. Fino ad ora.

I ricercatori dell'Università di Houston e del Manhattan College hanno segnalato un modello di apprendimento automatico in grado di prevedere con precisione la durezza dei nuovi materiali, consentendo agli scienziati di trovare più facilmente composti adatti all'uso in una varietà di applicazioni. Il lavoro è stato segnalato in Materiale avanzato .

Materiali superduri, definiti come quelli con un valore di durezza superiore a 40 gigapascal sulla scala Vickers, il che significa che ci vorrebbe più di 40 gigapascal di pressione per lasciare una rientranza sulla superficie del materiale, sono rari.

"Ciò rende difficile l'identificazione di nuovi materiali, " disse Jakoah Brgoch, professore associato di chimica all'UH e autore corrispondente del documento. "Ecco perché vengono ancora utilizzati materiali come il diamante sintetico, anche se sono impegnativi e costosi da realizzare".

Uno dei fattori complicanti è che la durezza di un materiale può variare a seconda della quantità di pressione esercitata, nota come dipendenza dal carico. Ciò rende il test di un materiale sperimentalmente complesso e l'utilizzo di modelli computazionali oggi quasi impossibile.

Il modello riportato dai ricercatori lo supera prevedendo la durezza Vickers dipendente dal carico basata esclusivamente sulla composizione chimica del materiale. I ricercatori riferiscono di aver trovato più di 10 nuove e promettenti fasi stabili di borocarburo; sono in corso i lavori per progettare e produrre i materiali in modo che possano essere testati in laboratorio.

Sulla base dell'accuratezza riportata dal modello, le probabilità sono buone. I ricercatori hanno riportato la precisione al 97%.

Il primo autore Ziyan Zhang, uno studente di dottorato all'UH, ha detto che il database costruito per addestrare l'algoritmo si basa su dati che coinvolgono 560 diversi composti, ciascuno producendo diversi punti dati. Trovare i dati richiesti esaminando centinaia di articoli accademici pubblicati per trovare i dati necessari per costruire un set di dati rappresentativo.

"Tutti i buoni progetti di machine learning iniziano con un buon set di dati, " disse Brgoch, che è anche un investigatore principale presso il Texas Center for Superconductivity all'UH. "Il vero successo è in gran parte lo sviluppo di questo set di dati".

Oltre a Brgoch e Zhang, ulteriori ricercatori sul progetto includono Aria Mansouri Tehrani e Blake Day, entrambi con UH, e Anton O. Oliynyk del Manhattan College.

I ricercatori hanno tradizionalmente utilizzato l'apprendimento automatico per prevedere una singola variabile di durezza, Brgoch ha detto, ma ciò non tiene conto delle complessità della proprietà come la dipendenza dal carico, che, ha detto, non sono ancora ben compresi. Ciò rende l'apprendimento automatico un ottimo strumento, nonostante i limiti precedenti.

"Un sistema di apprendimento automatico non ha bisogno di capire la fisica, " ha detto. "Analizza solo i dati di allenamento e fa nuove previsioni basate sulle statistiche".

L'apprendimento automatico ha dei limiti, anche se.

"L'idea di utilizzare l'apprendimento automatico non è dire, 'Ecco il prossimo più grande materiale, ' ma per aiutare a guidare la nostra ricerca sperimentale, "Brgoch ha detto. "Ti dice dove dovresti guardare."