Misture dois ou três metais e obterá uma liga que geralmente parece e age como um metal, com seus átomos dispostos em padrões geométricos rígidos.

Mas de vez em quando, sob as condições certas, você obtém algo totalmente novo:uma liga futurística chamada vidro metálico que é amorfo, com seus átomos dispostos de todas as maneiras, muito parecido com os átomos do vidro em uma janela. Sua natureza vítrea o torna mais forte e mais leve do que o melhor aço de hoje, além disso, resiste melhor à corrosão e ao desgaste.

Mesmo que o vidro metálico se mostre muito promissor como revestimento protetor e alternativo ao aço, apenas alguns milhares dos milhões de combinações possíveis de ingredientes foram avaliados nos últimos 50 anos, e apenas um punhado desenvolvido a ponto de se tornarem úteis.

Agora um grupo liderado por cientistas do Laboratório Nacional do Acelerador SLAC do Departamento de Energia, o Instituto Nacional de Padrões e Tecnologia (NIST) e a Universidade Northwestern relataram um atalho para descobrir e melhorar o vidro metálico - e, por extensão, outros materiais elusivos - por uma fração do tempo e do custo.

O grupo de pesquisa tirou proveito de um sistema no Stanford Synchrotron Radiation Lightsource (SSRL) do SLAC que combina aprendizado de máquina - uma forma de inteligência artificial onde algoritmos de computador coletam conhecimento de enormes quantidades de dados - com experimentos que rapidamente criam e filtram centenas de materiais de amostra em um tempo. Isso permitiu que a equipe descobrisse três novas combinações de ingredientes que formam o vidro metálico, e fazer isso 200 vezes mais rápido do que poderia ser feito antes, eles relataram hoje em Avanços da Ciência .

"Normalmente, leva uma ou duas décadas para levar um material desde a descoberta até o uso comercial, "disse o professor Chris Wolverton da Northwestern, um pioneiro no uso de computação e IA para prever novos materiais e um co-autor do artigo. "Este é um grande passo na tentativa de reduzir esse tempo. Você poderia começar com nada mais do que uma lista de propriedades que deseja em um material e, usando IA, restringir rapidamente o enorme campo de materiais potenciais a alguns bons candidatos. "

O objetivo final, ele disse, é chegar ao ponto em que um cientista possa digitalizar centenas de materiais de amostra, obtenha feedback quase imediato de modelos de aprendizado de máquina e tenha outro conjunto de amostras pronto para testar no dia seguinte - ou mesmo dentro de uma hora.

Ao longo do último meio século, cientistas investigaram cerca de 6, 000 combinações de ingredientes que formam o vidro metálico, artigo adicionado co-autor Apurva Mehta, um cientista da equipe do SSRL:"Conseguimos fazer e selecionar 20, 000 em um único ano. "

Apenas começando

Enquanto outros grupos usaram o aprendizado de máquina para fazer previsões sobre onde diferentes tipos de vidro metálico podem ser encontrados, Mehta disse, "A única coisa que fizemos foi verificar rapidamente nossas previsões com medições experimentais e, em seguida, repetir os resultados repetidamente para a próxima rodada de aprendizado de máquina e experimentos."

Há muito espaço para tornar o processo ainda mais rápido, ele adicionou, e, por fim, automatizá-lo para tirar as pessoas completamente do circuito, para que os cientistas possam se concentrar em outros aspectos de seu trabalho que requerem intuição e criatividade humanas. "Isso terá um impacto não apenas sobre os usuários síncrotron, mas em toda a comunidade de ciência de materiais e química, "Disse Mehta.

A equipe disse que o método será útil em todos os tipos de experimentos, especialmente em pesquisas de materiais como vidro metálico e catalisadores cujo desempenho é fortemente influenciado pela maneira como são fabricados, e aqueles em que os cientistas não têm teorias para orientar sua pesquisa. Com o aprendizado de máquina, nenhum entendimento prévio é necessário. Os algoritmos fazem conexões e tiram conclusões por conta própria, e isso pode direcionar a pesquisa para direções inesperadas.

"Um dos aspectos mais interessantes disso é que podemos fazer previsões tão rapidamente e reverter os experimentos tão rapidamente que podemos nos dar ao luxo de investigar materiais que não seguem nossas regras básicas sobre se um material formará um vidro ou não , "disse o co-autor do jornal Jason Hattrick-Simpers, um engenheiro de pesquisa de materiais no NIST. "A IA vai mudar o panorama de como a ciência dos materiais é feita, e este é o primeiro passo. "

Força em números

O artigo é o primeiro resultado científico associado a um projeto piloto financiado pelo DOE, onde o SLAC está trabalhando com uma empresa de IA do Vale do Silício, Citrine Informatics, para transformar a maneira como novos materiais são descobertos e disponibilizar as ferramentas para fazer isso aos cientistas em todos os lugares.

Fundado por ex-alunos de pós-graduação das universidades de Stanford e Northwestern, A Citrine criou uma plataforma de dados de ciência de materiais onde os dados que estavam bloqueados em artigos publicados, planilhas e cadernos de laboratório são armazenados em um formato consistente para que possam ser analisados ​​com IA especificamente projetada para materiais.

"Queremos pegar materiais e dados químicos e usá-los de forma eficaz para projetar novos materiais e otimizar a fabricação, "disse Greg Mulholland, fundador e CEO da empresa. "Este é o poder da inteligência artificial:conforme os cientistas geram mais dados, aprende junto com eles, trazendo tendências ocultas à superfície e permitindo que os cientistas identifiquem materiais de alto desempenho com muito mais rapidez e eficácia do que confiar nos tradicionais, desenvolvimento de materiais puramente movido por humanos. "

Até recentemente, pensando sobre, fazer e avaliar novos materiais era dolorosamente lento. Por exemplo, os autores do artigo sobre vidro metálico calcularam que, mesmo que você pudesse preparar e examinar cinco tipos potenciais de vidro metálico por dia, todos os dias do ano, levaria mais de mil anos para explorar todas as combinações possíveis de metais. Quando descobrem um vidro metálico, os pesquisadores lutam para superar os problemas que impedem esses materiais. Alguns têm ingredientes tóxicos ou caros, e todos eles compartilham o vidro quebradiço, natureza propensa a estilhaços.

Na última década, cientistas da SSRL e de outras instituições desenvolveram maneiras de automatizar experimentos para que possam criar e estudar mais materiais novos em menos tempo. Hoje, alguns usuários do SSRL podem obter uma análise preliminar de seus dados quase assim que eles são lançados com o software de IA desenvolvido pela SSRL em conjunto com o Citrine e o projeto CAMERA no Lawrence Berkeley National Laboratory do DOE.

"Com esses sistemas automatizados, podemos analisar mais de 2, 000 amostras por dia, "disse Fang Ren, o autor principal do artigo, que desenvolveu algoritmos para analisar dados em tempo real e coordenou sua integração no sistema enquanto era um bolsista de pós-doutorado no SLAC.

Experimentando com dados

No estudo de vidro metálico, a equipe de pesquisa investigou milhares de ligas, cada uma contendo três tipos baratos, metais não tóxicos.

Eles começaram com uma coleção de dados de materiais que datam de mais de 50 anos, incluindo os resultados de 6, 000 experimentos que procuraram por vidro metálico. A equipe vasculhou os dados com algoritmos avançados de aprendizado de máquina desenvolvidos por Wolverton e o estudante de graduação Logan Ward da Northwestern.

Com base no que os algoritmos aprenderam nesta primeira rodada, os cientistas criaram dois conjuntos de ligas de amostra usando dois métodos diferentes, permitindo que eles testem como os métodos de fabricação afetam se uma liga se transforma em um vidro.

Ambos os conjuntos de ligas foram digitalizados por um feixe de raios-X SSRL, os dados alimentados no banco de dados Citrine, e novos resultados de aprendizado de máquina gerados, que foram usados ​​para preparar novas amostras que passaram por outra rodada de digitalização e aprendizado de máquina.

Na terceira e última rodada do experimento, Mehta disse, a taxa de sucesso do grupo para encontrar vidro metálico aumentou de uma em 300 ou 400 amostras testadas para uma em duas ou três amostras testadas. As amostras de vidro metálico que identificaram representavam três combinações diferentes de ingredientes, dois dos quais nunca haviam sido usados ​​para fazer vidro metálico antes.