Uma nova forma de calcular a interação entre um metal e seu material de liga pode acelerar a busca por um novo material que combine a dureza da cerâmica com a resiliência do metal.

A descoberta, feito por engenheiros da Universidade de Michigan, identifica dois aspectos dessa interação que podem prever com precisão como uma liga particular se comportará - e com menos exigências, cálculos de mecânica quântica do zero.

"Nossas descobertas podem permitir o uso de algoritmos de aprendizado de máquina para o projeto de ligas, potencialmente acelerando a busca por ligas melhores que poderiam ser usadas em motores de turbina e reatores nucleares, "disse Liang Qi, professor assistente de ciência e engenharia de materiais que liderou a pesquisa.

Os motores a jato e reatores nucleares de hoje não podem ficar muito quentes, senão o metal da turbina do motor ou os componentes internos do reator amoleceriam. Contudo, os motores a jato poderiam operar de forma mais eficiente e os reatores nucleares poderiam ser mais seguros se pudessem suportar temperaturas mais altas, Qi disse. A busca continua por um material que seja muito duro mesmo em altas temperaturas, mas também resistente a rachaduras.

Os cientistas de materiais abordam esse problema por meio de ligas - misturando um metal com um ou mais outros elementos. Um metal é composto principalmente de uma estrutura de cristal, com os átomos agrupados de maneira ordenada. Contudo, são os defeitos - ou os locais onde a rede é interrompida - que têm a maior influência sobre como um material se comportará, Qi disse.

"As propriedades dos defeitos decidem mecânicas, desempenhos térmicos e de irradiação de metais, porque os átomos em defeitos geralmente têm menos restrições para se mover em comparação com aqueles em posições perfeitas, " ele disse.

Alguns defeitos são pontos fracos, como quebras na rede que cobrem grandes áreas - conhecidas como limites de grãos. Mas pequenos defeitos, como deslocamentos de várias linhas de átomos, pode melhorar o desempenho de um metal, permitindo que ele dobre, por exemplo.

Elementos de liga combinam com defeitos para criar uma rede de interrupções na rede do metal hospedeiro, mas é difícil prever como essa rede afetará o desempenho do metal.

A equipe limitou seu estudo a metais com apenas um elemento de liga nos defeitos - ainda um espaço de design considerável com centenas de combinações de materiais e milhões de estruturas defeituosas.

Os elétrons são responsáveis ​​por ligar os átomos da rede, então a equipe procurou por uma conexão entre a maneira como os elétrons são estruturados em um átomo de rede comum e um átomo em um defeito - e como isso muda a maneira como a rede interage com um elemento de liga. Uma alta energia de interação entre o metal e o elemento de liga no defeito geralmente torna o metal menos flexível, por exemplo, enquanto uma energia mais baixa significa que eles não estão tão unidos.

A equipe identificou duas medidas, que eles chamam de "descritores, "que representam como a estrutura dos elétrons muda no defeito do metal puro. Usando isso, eles poderiam descobrir como um elemento de liga interagiria com o defeito.

"Ficamos surpresos ao descobrir que o poder preditivo era válido para diferentes tipos de defeitos e locais, dado um cristal de metal particular e elemento de liga, "disse Yong-Jie Hu, um pesquisador pós-doutorado em ciência e engenharia de materiais e primeiro autor no artigo em Nature Communications .

A equipe descobriu que poderia prever como os átomos do elemento de liga se concentraram em vários tipos de defeitos - incluindo tipos complexos, como contornos de grão de alto ângulo, onde a rede está muito desalinhada.

A identificação desses descritores é um passo significativo para ser capaz de aproveitar o aprendizado de máquina de forma eficaz para o projeto de ligas, usando algoritmos para pesquisar os resultados de simulações de mecânica quântica altamente precisas, mas computacionalmente intensas.

Contudo, os pesquisadores observam que mais descritores devem ser descobertos para previsões de como ligas mais complexas se comportarão, por exemplo, aqueles com dois ou mais elementos de liga em defeitos. E embora esses descritores possam alimentar o aprendizado de máquina, humanos provavelmente irão identificá-los.

"A descoberta foi feita por meio do 'aprendizado humano' de modelos eletrônicos clássicos, "Qi disse." Isso indica que, na era do big data e da inteligência artificial, a inteligência humana ainda fornece recursos confiáveis ​​para descobertas científicas. "

Um artigo sobre esta pesquisa foi publicado na revista. Nature Communications , intitulado, "Descritores eletrônicos locais para interações soluto-defeito em metais refratários bcc."