Descubrimiento de aleaciones de alta entropía habilitadas para el aprendizaje automático

Área de la Ciencia:

• Ciencias de los materiales
• Trabajos de metalurgia
• Ciencias de los materiales computacionales

Sus antecedentes:

• Las aleaciones de alta entropía (HEAs) ofrecen propiedades únicas inaccesibles para los materiales convencionales.
• El diseño de AES es un desafío debido a los vastos espacios de composición y las limitaciones de las reglas termodinámicas tradicionales.
• El descubrimiento de HEAs con propiedades específicas a menudo se basa en la casualidad.

Objetivo del estudio:

• Acelerar el diseño y el descubrimiento de aleaciones Invar de alta entropía.
• Desarrollar una estrategia de aprendizaje activo para navegar por paisajes compositivos complejos.
• Identificar las AES con coeficientes de expansión térmica excepcionalmente bajos.

Principales métodos:

• Aprendizaje activo integrado con teoría funcional de densidad, cálculos termodinámicos y validación experimental.
• Se empleó un enfoque de circuito cerrado para el diseño y la caracterización iterativa de materiales.
• Examinó millones de composiciones potenciales utilizando el aprendizaje automático en datos escasos.

Principales resultados:

• Identificó dos nuevas aleaciones de Invar de alta entropía.
• Se obtienen coeficientes de expansión térmica extremadamente bajos (aprox. 2 × 10-6 K-1 en 300 K).
• Demostró la eficacia de la estrategia de aprendizaje activo en un espacio de alta dimensión.

Conclusiones:

• La estrategia de aprendizaje activo propuesta permite el descubrimiento rápido y automatizado de las AES.
• Este enfoque es adecuado para optimizar las propiedades térmicas, magnéticas y eléctricas.
• Las aleaciones identificadas representan avances significativos en los materiales de baja expansión térmica.