El equipo logró encontrar estos nuevos metales mediante una combinación de IA y experimentos de laboratorio. Primero, tuvieron que superar un desafío importante: la falta de datos existentes que pudieran usar para entrenar los modelos de aprendizaje automático. Entrenaron a los modelos con los datos que tenían: varios cientos de puntos de datos que describían las propiedades de las aleaciones metálicas existentes. El sistema de IA usó esos datos para hacer predicciones de nuevos metales que mostrarían un invar bajo.
Luego, los investigadores crearon esos metales en un laboratorio, midieron los resultados y los devolvieron al modelo de aprendizaje automático. El proceso continuó de esa manera: el modelo sugería combinaciones de metales, los investigadores las probaban y volvían a introducir los datos, hasta que surgieron los 17 nuevos metales prometedores.
Los hallazgos podrían ayudar a allanar el camino para un mayor uso del aprendizaje automático en la ciencia de los materiales, un campo que aún depende en gran medida de la experimentación de laboratorio. Además, la técnica de usar el aprendizaje automático para hacer predicciones que luego se verifican en el laboratorio podría adaptarse para su descubrimiento en otros campos, como la química y la física, dicen los expertos en ciencia de los materiales.
Para comprender por qué es un desarrollo significativo, vale la pena observar la forma tradicional en que se crean los nuevos compuestos, dice Michael Titus, profesor asistente de ingeniería de materiales en la Universidad de Purdue, que no participó en la investigación. El proceso de retoques en el laboratorio es laborioso e ineficiente.
“Es realmente como encontrar una aguja en un pajar para encontrar materiales que exhiban una propiedad especial”, dice Titus. A menudo les dice a sus nuevos estudiantes de posgrado que fácilmente hay un millón de posibles nuevos materiales esperando ser descubiertos. El aprendizaje automático podría ayudar a los investigadores a decidir qué caminos seguir.