Pode não ser tão cativante quanto correntes e elos fracos, mas os físicos e engenheiros sabem que "um material é tão forte quanto seu limite de grão mais fraco".

OK, isso não é nada cativante, mas aqui está o ponto:os limites dos grãos são muito importantes. Eles são microscópicos, regiões desordenadas onde os blocos de construção do tamanho de um átomo ligam os cristais (ou seja, grãos) juntos em materiais.

Mais importante, os limites dos grãos ajudam a determinar as propriedades dos metais importantes para os humanos. Por exemplo, eles podem influenciar a resistência de um metal (edifícios!), resistência à corrosão (pontes!) e condutividade (eletricidade!).

Mas, embora os pesquisadores tenham estudado os limites dos grãos por décadas e obtido alguns insights sobre os tipos de propriedades que os limites dos grãos produzem, ninguém foi capaz de estabelecer um sistema universal para prever se uma certa configuração de átomos nos contornos dos grãos tornará um material mais forte ou mais flexível.

Entre na equipe de pesquisa interdisciplinar da BYU de Rosenbrock, Homer e Hart. O Ph.D. estudante (Conrad Rosenbrock) e dois professores - um engenheiro (Eric Homer) e um físico (Gus Hart) - podem ter decifrado o código injetando em um computador um algoritmo que permite aprender o esquivo "por que" por trás das qualidades dos limites .

Seu método, publicado na edição mais recente de Natureza Diário Materiais Computacionais , fornece uma técnica para produzir um "dicionário" dos blocos de construção atômicos encontrados nos metais, ligas, semicondutores e outros materiais. A abordagem de aprendizado de máquina analisa Big Data (pense:conjuntos de dados massivos de limites de grãos) para fornecer informações sobre estruturas físicas que provavelmente estão associadas a mecanismos específicos, processos e propriedades que de outra forma seriam difíceis de identificar.

"Estamos usando aprendizado de máquina, o que significa que os algoritmos podem ver tendências em muitos e muitos dados que um ser humano não consegue ver, "Homer disse." Com os modelos de Big Data, você perde alguma precisão, mas descobrimos que ainda fornece informações fortes o suficiente para conectar os pontos entre um limite e uma propriedade. "

Quando se trata de metais, o processo pode avaliar propriedades como resistência, peso e vida útil dos materiais, levando à eventual otimização dos melhores materiais. Embora o grupo não esteja realmente criando materiais ainda, eles agora podem decifrar o "porquê" e o "como" da maquiagem.

Os pesquisadores disseram que seu artigo é o primeiro a tentar decifrar o código das estruturas atômicas que influenciam fortemente as propriedades dos limites dos grãos com os algoritmos de computador de aprendizado de máquina.

"É como o Siri; o Siri funciona pegando sons e transformando-os em vogais e consoantes e, em última análise, em palavras acessando um enorme banco de dados da Apple, "Hart disse." Estamos usando o mesmo conceito. Temos um grande banco de dados, e nosso algoritmo está pegando os limites dos grãos e comparando-os com aquele banco de dados para conectá-los a certas propriedades. "

O objetivo final é tornar mais fácil e eficiente o desenvolvimento de materiais que podem ser combinados para tornar mais fortes, metais leves e livres de corrosão. Os pesquisadores acreditam que estão na linha de frente do que poderia ser um processo de 10 ou até 20 anos para criar estruturas de liga inovadoras que forneçam soluções práticas para as principais estruturas.

"Nossa nação gasta US $ 500 bilhões por ano em corrosão, "Disse Homer." Se você puder reduzir o custo do tratamento da corrosão, mesmo que seja uma pequena porcentagem, desenvolvendo metais mais resistentes, você pode economizar bilhões a cada ano. Isso não é uma pequena quantia de dinheiro. "