L'apprendimento automatico potrebbe accelerare notevolmente la ricerca di nuovi metalli. Si tratta di uno sviluppo che potrebbe essere utile per applicazioni dallo spazio esterno al mare profondo.
L'apprendimento automatico (Machine Learning) potrebbe aiutare a sviluppare nuovi tipi di metalli con proprietà utili, come la resistenza alle temperature estreme e alla ruggine, secondo una nuova ricerca. Ciò potrebbe essere utile in una serie di settori: ad esempio, i metalli che funzionano bene a temperature più basse potrebbero migliorare i veicoli spaziali, mentre i metalli che resistono alla corrosione potrebbero essere utilizzati per imbarcazioni e sottomarini. Attualmente, gli scienziati in genere eseguono esperimenti in laboratorio cercando nuovi modi per combinare i metalli al fine di crearne di nuovi. Di solito, iniziano con un elemento ben noto, come il ferro, che è anche abbastanza economico e malleabile, e ne aggiungono uno o due altri per vedere l'effetto sul materiale originale. Tuttavia, questo laborioso processo basato su tentativi genera inevitabilmente errori. Un recente nuovo documento, pubblicato su Science, suggerisce che con l'Intelligenza Artificiale, i ricercatori possono prevedere con molta più precisione quali combinazioni di metalli mostreranno risultati promettenti.
I ricercatori del Max Planck Institute sono riusciti a identificare 17 nuovi metalli promettenti usando questo metodo. Il team era a caccia di metalli con un basso livello di "invar", che si riferisce a quanti materiali si espandono o si contraggono quando esposti a temperature alte o basse. I metalli con basso invar non cambiano dimensione a temperature estreme. Sono comunemente usati nelle industrie in cui tale proprietà è utile, ad esempio il trasporto e lo stoccaggio di gas naturale. Il team di ricerca è riuscito a trovare questi nuovi metalli attraverso una combinazione di Intelligenza Artificiale ed esperimenti di laboratorio. In primo luogo, hanno dovuto superare una sfida significativa: la mancanza di dati esistenti che potessero utilizzare per addestrare i modelli di apprendimento automatico. Hanno perciò addestrato i modelli sui dati che avevano, diverse centinaia di punti che descrivono le proprietà delle leghe metalliche esistenti. Il sistema di Intelligenza Artificiale ha utilizzato tali dati per fare previsioni per nuovi metalli che avrebbero mostrato un basso invar. I ricercatori hanno quindi creato quei metalli in un laboratorio, misurato i risultati e reinserito tali risultati nel modello di apprendimento automatico. Il processo è continuato in questo modo, il modello suggeriva combinazioni di metalli, i ricercatori li testavano e reinserivano i dati, fino a quando non sono emersi i 17 nuovi metalli promettenti.
I risultati potrebbero aiutare a spianare la strada a un maggiore uso dell'apprendimento automatico nella scienza dei materiali, un campo che si basa ancora fortemente sulla sperimentazione di laboratorio. Inoltre, la tecnica di utilizzare l'apprendimento automatico per fare previsioni che vengono poi verificate in laboratorio potrebbe essere adattata per la scoperta in altri campi, come la chimica e la fisica. Per capire perché si tratta di uno sviluppo significativo, vale la pena guardare al modo tradizionale in cui vengono solitamente creati nuovi composti. L'apprendimento automatico potrebbe aiutare i ricercatori a decidere quali percorsi perseguire per scoprire milioni di possibili nuovi materiali in attesa solo di essere scoperti. In futuro, il team vuole utilizzare l'apprendimento automatico per aiutare a scoprire nuove leghe con più di una proprietà desiderabile. A tal proposito, i metodi computazionali saranno cruciali per il futuro della scienza dei materiali.
