Las empresas que trabajan en la frontera de la industria aeroespacial, la energía y la informática buscan constantemente nuevos materiales para mejorar el rendimiento. Pero para entender cómo se comportarán realmente esos materiales una vez que estén dentro de cohetes o en chips de computadora, las empresas primero tienen que fabricar el material y luego probarlo. Esto se debe a que incluso las técnicas de simulación más potentes tienen dificultades para modelar las complejas disposiciones químicas de la mayoría de los materiales sólidos actuales. El problema añade costos y tiempo a la innovación de materiales.
Ahora, un equipo de investigadores del MIT ha creado una forma de modelar con precisión el comportamiento de los metales, independientemente de la complejidad de su disposición química. En el centro del enfoque se encuentran los modelos de aprendizaje automático que hacen que las simulaciones de materiales sean más rápidas y precisas. Los investigadores mejoraron esos modelos creando conjuntos de datos de entrenamiento que capturan la diversidad de entornos atómicos en materiales químicamente desordenados.
En un nuevo artículo publicado en Sciences Advances, los investigadores demostraron que su enfoque podría usarse para predecir con precisión las propiedades de los materiales para un grupo diverso de aleaciones metálicas en una variedad de condiciones. También mostraron cómo se podría utilizar este enfoque para desarrollar nuevos materiales, especialmente en escenarios donde la experimentación es costosa.
“El enfoque del artículo son las aleaciones metálicas, que es el campo en el que trabajo, pero esto podría adaptarse a otros tipos de materiales, como semiconductores”, dice el autor principal Rodrigo Freitas, profesor de desarrollo profesional TDK en ciencia e ingeniería de materiales del MIT. “Esto no es específico de ninguna aplicación en particular; se podría utilizar este enfoque para crear nuevos aceros sustentables, nuevos materiales para el sector aeroespacial y más. Eso es lo que lo hace emocionante”.
Junto a Freitas en el artículo se encuentran el primer autor Killian Sheriff PhD ’26; los estudiantes de doctorado del MIT Daniel Xiao y Yifan Cao; y el profesor titular de la Universidad de Sheffield, Lewis R. Owen.
Metales para modelar
Las propiedades de los materiales están determinadas principalmente por la disposición interna de sus elementos químicos. Incluso si dos materiales tienen la misma mezcla de elementos químicos, diferentes disposiciones químicas pueden marcar la diferencia entre un material quebradizo y uno que se deforma sin romperse.
Captar esa distinción requiere simular materiales átomo por átomo. Para ello, los investigadores se basan en modelos que describen cómo los átomos interactúan entre sí. Durante las últimas dos décadas, el aprendizaje automático se ha convertido en la forma más precisa de construir esos modelos. Estos modelos funcionan bien cuando las disposiciones químicas del interior de los materiales siguen patrones muy ordenados, pero ese no es el caso de la mayoría de los materiales sólidos, cuyas disposiciones químicas atómicas están desordenadas y varían de una región a otra.
“El verdadero desafío en nuestro campo es modelar estas fases químicamente desordenadas”, dice Freitas. “El desorden químico significa que hay una gran variedad de entornos químicos locales, lo cual es difícil de aprender para el modelo de aprendizaje automático. Esto es un problema porque cada metal que utilizamos en la práctica está químicamente desordenado”.
El problema se reduce a la falta de datos de entrenamiento representativos para esas simulaciones átomo por átomo. El enfoque líder actual para crear dichos datos funciona mediante fuerza bruta, y a menudo requiere más de 100.000 horas de cálculo para crear los datos de entrenamiento para un solo material. Incluso entonces, no se transfiere bien cuando los investigadores cambian la composición del material.
En trabajos anteriores, el grupo de Freitas había desarrollado una forma de medir la complejidad química de los materiales sólidos analizando la frecuencia y el espaciado de pequeños grupos de átomos. Para este estudio, los investigadores utilizaron esa capacidad para crear mejores conjuntos de datos de entrenamiento. Utilizaron un enfoque matemático conocido como teoría de la información para generar conjuntos de datos de entrenamiento que capturen una variedad más amplia de entornos químicos locales dentro de materiales desordenados. El método funciona intercambiando átomos de muestras para reducir la repetición y exponer el modelo a entornos químicos que de otro modo podría pasar por alto.
“Seguimos optimizando el conjunto de capacitación para que capturara tantos entornos locales diferentes como fuera posible”, dice Freitas. “Si el mismo tipo de entorno aparecía muchas veces, reemplazamos ejemplos redundantes con otros que el modelo no había visto antes. Eso hace que el conjunto de entrenamiento sea mucho más informativo porque cada ejemplo agrega algo nuevo”.
Cuando se entrenaron con los conjuntos de datos de los investigadores, los modelos predijeron las propiedades de los materiales con mayor precisión que los modelos entrenados mediante muestreo aleatorio u otro método de muestreo popular.
“El punto de partida para todas estas simulaciones átomo por átomo es: ¿eres capaz de describir con precisión el enlace químico entre átomos?” Freitas explica. “Si no, aún puede enseñarle sobre los materiales en general, pero no le dice qué sucederá con materiales específicos en el mundo real. Este enfoque hace que las simulaciones sean de alta fidelidad en términos de su química, para reflejar mejor lo que sucede con los materiales”.
Los investigadores aplicaron su técnica para crear conjuntos de datos de entrenamiento de aprendizaje automático para un grupo de aleaciones metálicas químicamente diversas. Utilizando un conjunto de modelos de aprendizaje automático, demostraron que los modelos entrenados en sus conjuntos de datos son más precisos que modelos mucho más grandes creados por empresas como Google y Microsoft.
“Llegamos a un punto en el que estábamos convencidos de que funcionaba sin utilizar estos costosos métodos de fuerza bruta”, dice Freitas. “Le dije a Killian: ‘Este es un buen artículo. Pero si puedes demostrar que las simulaciones con estos modelos ahora pueden predecir con precisión propiedades de materiales útiles, entonces se convertirá en un artículo muy bueno’. Killian se tomó esto en serio y lo probó tan ampliamente como pudo”.
Sheriff trabajó con Xiao y Cao para probar el enfoque en diferentes aleaciones y propiedades. El equipo también se basó en los datos experimentales de Owen para comparar las simulaciones con mediciones reales del orden atómico en aleaciones.
Del laboratorio a la industria
El método funciona, en parte, capturando patrones ocultos en los datos de muestra. Los investigadores describen los patrones en el artículo como “sesgos energéticos sutiles hacia ciertas configuraciones químicas locales”.
Esas pequeñas diferencias energéticas son importantes porque determinan qué fases se forman en una aleación, cómo cambian esas fases con la temperatura y la composición y, en última instancia, qué propiedades tendrá el material. Como prueba, Daniel Xiao dirigió simulaciones que mostraban que los modelos del equipo podían predecir diagramas de fase que coincidían estrechamente con los datos experimentales. Los diagramas de fases mapean qué fases son estables a diferentes temperaturas y composiciones químicas, y son una herramienta central para diseñar y procesar aleaciones.
“Los diagramas de fases son una de las principales formas en que las personas conectan el modelado de materiales con decisiones de procesamiento reales”, dice Freitas. “Si está soldando, fundiendo o tratando térmicamente una aleación, necesita saber qué fases es probable que se formen en diferentes condiciones. Nuestro objetivo es hacer que este tipo de predicciones sean lo suficientemente precisas y accesibles para que se conviertan en parte de la forma en que las personas diseñan materiales”.
Los investigadores ahora están utilizando este enfoque para estudiar cómo el cambio en la composición de una aleación afecta las propiedades mecánicas y la tolerancia a la radiación, con el objetivo de diseñar materiales que sigan siendo fuertes y tolerantes a daños en entornos hostiles. También están trabajando para hacer que el método sea más fácil de usar con los tipos de herramientas y flujos de trabajo en los que ya confían los ingenieros de materiales.
“La industria no va a cambiar la forma en que hace las cosas si lo que estás creando no encaja en sus procedimientos operativos existentes”, dice Freitas. “El objetivo es hacer que estas predicciones sean útiles en los lugares donde realmente se toman las decisiones sobre los materiales”.
La investigación contó con el apoyo de la Oficina de Investigación Científica de la Fuerza Aérea de EE. UU.