Machine learning explica combinações que aumentam resistência de ligas
São Paulo — InkDesign News —
Pesquisadores da Virginia Tech utilizam machine learning e inteligência artificial, especificamente um framework de AI explicável, para desenvolver ligas metálicas de múltiplos elementos principais (MPEAs) com propriedades mecânicas superiores.
Contexto da pesquisa
As ligas MPEAs são reconhecidas por suas propriedades mecânicas excepcionais e versatilidade. Compostas de três ou mais elementos metálicos, elas são projetadas para oferecer estabilidade térmica, resistência e durabilidade, sendo úteis em aplicações que vão de dispositivos médicos a componentes aeronáuticos. O desenvolvimento dessas ligas geralmente segue um método de tentativa e erro, que se mostra ineficiente e custoso.
Método proposto
A abordagem da equipe de Sanket Deshmukh integrou aprendizado de máquina, algoritmos evolutivos e validação experimental. Utilizando a técnica SHAP (SHapley Additive exPlanations), foi possível interpretar as previsões geradas pelo modelo de AI. Isso proporcionou insights sobre como diferentes elementos e seus ambientes locais influenciam as propriedades das MPEAs.
“Este trabalho demonstra como frameworks baseados em dados e AI explicável podem desbloquear novas possibilidades no design de materiais”
(“This work demonstrates how data-driven frameworks and explainable AI can unlock new possibilities in materials design.”)— Sanket Deshmukh, Professor Associado, Virginia Tech
Resultados e impacto
A equipe alcançou sucesso na previsão das propriedades de novas MPEAs com base em sua composição, além de otimizar a combinação de elementos para aplicações específicas. Os resultados da pesquisa foram publicados na revista npj Computational Materials. Com o uso de grandes conjuntos de dados provenientes de experimentos e simulações, o AI forneceu não apenas previsões precisas, mas também valiosos insights científicos sobre o comportamento mecânico das MPEAs.
“Aproveitar a AI explicável acelera nossa compreensão dos comportamentos mecânicos das MPEAs. Isso pode transformar o design tradicional de materiais, que é caro, em um processo mais preditivo e informativo”
(“Leveraging explainable AI accelerates our understanding of MPEAs’ mechanical behaviors. It could transform the traditional expensive trial-and-error materials design into a more predictive and insightful process.”)— Fangxi “Toby” Wang, Associado de Pós-Doutorado, Virginia Tech
Essa pesquisa interdisciplinar aponta para um futuro promissor na descoberta de novos materiais, incluindo a extensão da framework computacional para o design de novas glycomaterials — um tipo de material polimérico. As aplicações potenciais de tais inovações incluem aditivos alimentares, itens de cuidados pessoais e materiais de embalagem.
Fonte: (TechXplore – Machine Learning & AI)
