p O desenvolvimento de novos materiais leva muito tempo, dinheiro e esforço. Recentemente, uma equipe de pesquisa da POSTECH deu um passo em direção à criação de novos materiais aplicando IA para desenvolver ligas de alta entropia (HEAs), que são referidas como 'ligas de ligas'. p Uma equipe de pesquisa conjunta liderada pelo professor Seungchul Lee, Ph.D. candidato Soo Young Lee, Professor Hyungyu Jin e Ph.D. O candidato Seokyeong Byeon do Departamento de Engenharia Mecânica, juntamente com o Professor Hyoung Seop Kim do Departamento de Ciência e Engenharia de Materiais, desenvolveram juntos uma técnica para previsão de fase de HEAs usando IA. Os resultados do estudo foram publicados na última edição da Materiais e Design , um jornal internacional sobre ciência de materiais.

p Os materiais metálicos são feitos convencionalmente pela mistura do elemento principal para a propriedade desejada com dois ou três elementos auxiliares. Em contraste, HEAs são feitos com proporções iguais ou semelhantes de cinco ou mais elementos sem um elemento principal. Os tipos de ligas que podem ser feitas dessa forma são teoricamente infinitos e possuem características mecânicas excepcionais, térmico, fisica, e propriedades químicas. Ligas resistentes à corrosão ou temperaturas extremamente baixas, e ligas de alta resistência já foram descobertas.

p Contudo, até agora, projetar novos materiais de liga de alta entropia foi baseado em tentativa e erro, exigindo assim muito tempo e dinheiro. Era ainda mais difícil determinar com antecedência a fase e as propriedades mecânicas e térmicas da liga de alta entropia sendo desenvolvida.

p Para isso, a equipe de pesquisa conjunta se concentrou no desenvolvimento de modelos de previsão em HEAs com previsão de fase aprimorada e explicabilidade usando aprendizado profundo. Eles aplicaram o aprendizado profundo por meio de três perspectivas:otimização do modelo, geração de dados e análise de parâmetros. Em particular, o foco estava na construção de um modelo de aprimoramento de dados com base na rede adversária geradora condicional. Isso permitiu que os modelos de IA refletissem amostras de HEAs que ainda não foram descobertos, melhorando assim a precisão da previsão de fase em comparação com os métodos convencionais.

p Além disso, a equipe de pesquisa desenvolveu um modelo de previsão de fase HEA baseado em IA descritivo para fornecer interpretabilidade para modelos de aprendizagem profunda, que atua como uma caixa preta, ao mesmo tempo que fornece orientação sobre os principais parâmetros de projeto para a criação de HEAs com certas fases.

p "Esta pesquisa é o resultado de melhorar drasticamente as limitações da pesquisa existente, incorporando IA em HEAs que recentemente têm chamado muita atenção, "comentou o professor Seungchul Lee. Ele acrescentou, "É significativo que a colaboração multidisciplinar da equipe de pesquisa conjunta tenha produzido os resultados que podem acelerar a fabricação de novos materiais baseada em IA."

p O professor Hyungyu Jin também acrescentou, "Espera-se que os resultados do estudo reduzam muito o tempo e o custo necessários para o processo de desenvolvimento de novos materiais existentes, e para ser ativamente usado para desenvolver novas ligas de alta entropia no futuro. "