راهی بهتر برای مدل‌سازی رفتار آلیاژهای فلزی.
شرکت‌های پیشرو در صنایع هوافضا، انرژی و محاسبات همواره در جستجوی مواد جدید برای بهبود عملکرد محصولات خود هستند. اما برای درک رفتار این مواد در داخل موشک‌ها یا روی تراشه‌های کامپیوتری، ابتدا باید آن‌ها را تولید و سپس آزمایش کرد. این موضوع به این دلیل است که حتی قدرتمندترین تکنیک‌های شبیه‌سازی نیز در مدل‌سازی آرایش‌های شیمیایی پیچیده در بیشتر مواد جامد امروزی با مشکل مواجه هستند. این مسئله هزینه‌ها و زمان مورد نیاز برای نوآوری در مواد را افزایش می‌دهد.
حال، تیمی از محققان MIT روشی برای مدل‌سازی دقیق رفتار فلزات، صرف نظر از پیچیدگی آرایش شیمیایی آن‌ها، ایجاد کرده‌اند. هسته اصلی این رویکرد، مدل‌های یادگیری ماشین هستند که شبیه‌سازی مواد را سریع‌تر و دقیق‌تر می‌کنند. محققان با ایجاد مجموعه‌های داده آموزشی که تنوع محیط‌های اتمی در مواد شیمیایی نامرتب را ثبت می‌کنند، این مدل‌ها را بهبود بخشیده‌اند.
در مقاله‌ای جدید که در مجله Sciences Advances منتشر شده است، محققان نشان دادند که رویکرد آن‌ها می‌تواند برای پیش‌بینی دقیق خواص مواد برای گروه متنوعی از آلیاژهای فلزی در شرایط مختلف استفاده شود. آن‌ها همچنین نشان دادند که چگونه می‌توان از این رویکرد برای توسعه مواد جدید، به ویژه در مواردی که آزمایش‌ها پرهزینه هستند، استفاده کرد.
نویسنده ارشد مقاله، رودریگو فریتاس، می‌گوید: «تمرکز این مقاله بر روی آلیاژهای فلزی است که زمینه کاری من است، اما این روش می‌تواند برای سایر انواع مواد، مانند نیمه‌هادی‌ها، نیز تطبیق داده شود.»