Os materiais superduros estão em alta demanda na indústria, da produção de energia ao aeroespacial, mas encontrar novos materiais adequados tem sido em grande parte uma questão de tentativa e erro com base em materiais clássicos como os diamantes. Até agora.

Pesquisadores da University of Houston e Manhattan College relataram um modelo de aprendizado de máquina que pode prever com precisão a dureza de novos materiais, permitindo aos cientistas encontrar mais facilmente compostos adequados para uso em uma variedade de aplicações. O trabalho foi relatado em Materiais avançados .

Materiais que são superduros - definidos como aqueles com um valor de dureza superior a 40 gigapascais na escala de Vickers, o que significa que seriam necessários mais de 40 gigapascais de pressão para deixar uma marca na superfície do material - são raros.

"Isso torna a identificação de novos materiais um desafio, "disse Jakoah Brgoch, professor associado de química no UH e autor correspondente do artigo. "É por isso que materiais como o diamante sintético ainda são usados, embora sejam difíceis e caros de fabricar."

Um dos fatores complicadores é que a dureza de um material pode variar dependendo da quantidade de pressão exercida, conhecido como dependência de carga. Isso torna o teste de um material experimentalmente complexo e o uso de modelagem computacional hoje quase impossível.

O modelo relatado pelos pesquisadores supera isso ao prever a dureza Vickers dependente da carga com base exclusivamente na composição química do material. Os pesquisadores relatam ter encontrado mais de 10 fases estáveis ​​de borocarbeto novas e promissoras; o trabalho está em andamento para projetar e produzir os materiais para que possam ser testados em laboratório.

Com base na precisão relatada do modelo, as chances são boas. Os pesquisadores relataram a precisão de 97%.

Primeiro autor Ziyan Zhang, um estudante de doutorado na UH, disse que o banco de dados construído para treinar o algoritmo é baseado em dados envolvendo 560 compostos diferentes, cada um produzindo vários pontos de dados. Encontrar os dados exigiu debruçar-se sobre centenas de artigos acadêmicos publicados para encontrar os dados necessários para construir um conjunto de dados representativo.

"Todos os bons projetos de aprendizado de máquina começam com um bom conjunto de dados, "disse Brgoch, que também é investigador principal do Texas Center for Superconductivity at UH. "O verdadeiro sucesso é em grande parte o desenvolvimento deste conjunto de dados."

Além de Brgoch e Zhang, outros pesquisadores do projeto incluem Aria Mansouri Tehrani e Blake Day, ambos com UH, e Anton O. Oliynyk do Manhattan College.

Os pesquisadores tradicionalmente usam o aprendizado de máquina para prever uma única variável de dureza, Brgoch disse, mas isso não leva em conta as complexidades da propriedade, como dependência de carga, que ele disse que ainda não foi bem compreendido. Isso torna o aprendizado de máquina uma boa ferramenta, apesar das limitações anteriores.

"Um sistema de aprendizado de máquina não precisa entender a física, "ele disse." Ele apenas analisa os dados de treinamento e faz novas previsões com base em estatísticas. "

O aprendizado de máquina tem limitações, no entanto.

"A ideia de usar o aprendizado de máquina não quer dizer, 'Aqui está o próximo grande material, 'mas para ajudar a guiar nossa pesquisa experimental, "Brgoch disse." Diz onde você deve olhar.