Inteligência artificial
Como a IA explicável está revolucionando o design de MPEA
O Securities.io mantém padrões editoriais rigorosos e pode receber remuneração por links revisados. Não somos um consultor de investimentos registrado e este conteúdo não é um aconselhamento de investimento. Consulte nossa divulgação afiliada.
Um grupo de engenheiros da Virginia Tech e da Universidade Johns Hopkins uniu forças para concluir uma colaboração interdisciplinar que se aprofunda no uso de IA explicável para aprimorar a criação de MPEAs (ligas de múltiplos elementos principais) mais resistentes. A pesquisa revelou detalhes importantes que podem ajudar os cientistas a projetar novos materiais que um dia poderão alimentar projetos aeroespaciais, dispositivos médicos e tecnologias de energia renovável. Aqui está o que você precisa saber.
O que são ligas de múltiplos elementos principais (MPEAs)?
Ligas de Múltiplos Elementos Principais (MPEAs) são materiais desenvolvidos especificamente para combinar múltiplos elementos de forma a aprimorar seu desempenho. Especificamente, as MPEAs oferecem resistência superior à radiação, ao desgaste e à corrosão. Esses benefícios são acompanhados por propriedades mecânicas adicionais, tornando-as cruciais para as aplicações avançadas atuais.
O conceito de MPEAs ainda é relativamente novo. Embora tenha surgido no início dos anos 2000 por meio do trabalho de engenheiros como Cantor e Yeh, avanços recentes, como este estudo de 2025, estão rapidamente aumentando sua viabilidade no mundo real. Cientistas continuam pesquisando essas combinações únicas de materiais, buscando desbloquear desempenho adicional. Notavelmente, o FeNiCrCoCu está entre os MPEAs mais estudados.
Desafios no desenvolvimento de MPEAs
Existem problemas com os MPEAs que têm limitado sua adoção e utilização. Por exemplo, pode ser uma tarefa árdua e dispendiosa conduzir a tentativa e erro, geralmente preferida pelos engenheiros que desenvolvem esses materiais. Além disso, os resultados e o produto final podem depender fortemente da experiência, intuição, conhecimento na área e capacidades gerais do engenheiro. Todos esses fatores levaram os engenheiros a desejar uma estrutura de desenvolvimento de MPEAs mais razoável.
Estudo inovador: projetando MPEAs mais fortes com IA
O estudo1 "Projeto inverso validado experimentalmente de MPEAs de FeNiCrCoCu e desbloqueio de insights importantes com IA explicável” publicado na Nature's Computational Materials, apresenta um novo método para criar MPEAs com potencial para reduzir custos e melhorar o desempenho. A nova abordagem utiliza uma estrutura orientada por dados e IA explicável para combinar biomateriais computacionais e materiais inorgânicos sintéticos em um sistema livre de solventes.
Os engenheiros observaram que a combinação de aprendizado de máquina avançado e algoritmos evolutivos permitiu que eles determinassem com mais eficácia ligas de múltiplos elementos principais e obtivessem insights sobre como elas funcionam em combinação com outros elementos. Essa abordagem proporciona à comunidade científica um novo nível de conhecimento sobre as relações estrutura-propriedade dos materiais.
Como a IA explicável ajuda cientistas a construir ligas melhores
A inteligência artificial continua a remodelar o mundo ao seu redor. Essa tecnologia permite que pesquisadores se aprofundem em seus tópicos com menos esforço. No entanto, a IA padrão tem o problema de frequentemente fornecer respostas sem uma explicação de como os resultados foram alcançados. A IA explicável oferece uma solução melhor, capaz de fornecer os dados exatos que foram usados para concluir uma tarefa.
Fonte - NPJ
A equipe utilizou um modelo de aprendizado de máquina de conjunto empilhado (SEML) e um modelo de rede neural convolucional (CNN) com algoritmos evolucionários como parte de sua abordagem. Essa configuração foi combinada com o algoritmo SHAP para fornecer insights claros sobre as ações da IA.
Explicando o SHAP: Desvendando a caixa preta da IA
O protocolo SHAP foi projetado especificamente para aprimorar os esforços científicos. O sistema permite que engenheiros interpretem previsões de IA sem mistérios. Eles podem utilizar os dados fornecidos para entender como diferentes elementos e seus ambientes locais podem desempenhar um papel vital no desempenho do MPEA. Além disso, o SHAP ajudou a equipe a fazer previsões precisas sobre como diferentes composições e combinações de elementos podem proporcionar vantagens específicas quando necessário.
Design de materiais baseado em dados explicado
A equipe sabia desde o primeiro dia que queria integrar o aprendizado de máquina ao seu processo. Essa etapa exigiu que programassem o algoritmo por meio de grandes conjuntos de dados coletados de experimentos e simulações. Essa estratégia permitiu que a equipe incorporasse outras ferramentas valiosas, como algoritmos evolucionários, a experimentos tradicionais.
Validando a força dos MPEAs projetados por IA
Os engenheiros elaboraram uma série de testes para garantir que os materiais sintetizados atendessem às suas demandas. A fase de testes incluiu a verificação e o monitoramento das estruturas cristalinas e propriedades mecânicas dos MPEAs usando o módulo de Young. Os resultados dos testes lançaram alguma luz sobre o processo de pesquisa dos MPEAs, ao mesmo tempo em que comprovaram a existência de métodos mais eficientes.
Resultados promissores de testes experimentais
A equipe realizou diversos testes, que geraram resultados interessantes. Primeiro, eles provaram que podiam usar sua abordagem centrada em IA para criar novas ligas com resistência mecânica superior às principais alternativas atuais. Além disso, os engenheiros observaram que os módulos de Young medidos se alinhavam quase exatamente com as previsões computacionais desenvolvidas para as estruturas cúbicas de face centrada (FCC) monofásicas.
Por que este estudo do MPEA é importante
Alguns benefícios tornam o novo estudo de fabricação e pesquisa de MPEA um divisor de águas. Por exemplo, é o primeiro estudo a fornecer insights científicos valiosos sobre o desenvolvimento de MPEA. Além disso, permite que engenheiros executem simulações muito mais baratas em comparação com o projeto de materiais tradicional e caro, baseado em tentativa e erro. Assim, o cientista concluiu que sua abordagem oferecia uma solução mais preditiva que poderia ajudar a acelerar a descoberta de ligas metálicas avançadas no futuro.
A colaboração interdisciplinar impulsiona a inovação
Este estudo envolveu pesquisadores especializados em diversas áreas científicas, incluindo computação, síntese e caracterização. Essa colaboração abre caminho para novos projetos em que diferentes ciências devem se encontrar e correlacionar dados para concluir as tarefas.
Vantagens de custo das ligas projetadas por IA
Realizar experimentos científicos é caro e pode atrasar os resultados. O uso de simulações computacionais de IA é uma opção melhor, permitindo que engenheiros realizem milhares de experimentos hipotéticos sem a necessidade de realizar nenhuma ação física, reduzindo custos e aprimorando capacidades.
Usos futuros e cronograma comercial
Existem muitas aplicações para essa pesquisa científica. O uso de MPEAs é agora mais comum do que nunca. Esses minerais de alto desempenho podem ser vistos ajudando naves espaciais a absorver a intensidade da reentrada atmosférica, proporcionando maior estabilidade às turbinas de ar e muito mais. Aqui estão alguns dos principais usos de MPEAs explicáveis de IA.
Aplicações de MPEAs na área da saúde
O setor de saúde poderia aproveitar essa abordagem para desenvolver biomateriais avançados para implantes, próteses e instrumentos cirúrgicos. A capacidade de testar esses materiais em determinados cenários, como a reação do corpo humano a eles, é uma grande vantagem que certamente ajudará os cientistas a aprimorar seus resultados gerais. Engenheiros já consideram os MPEAs a escolha ideal para uso em próteses de joelho, placas ósseas e muito mais.
Potencial de adoção da indústria aeroespacial
A comunidade aeroespacial é outro setor que aproveitará esses dados com grande eficácia. As MPEAs podem produzir componentes de aeronaves mais estáveis e duráveis. Itens como pás de turbina, revestimentos por pulverização térmica, aplicações de alta temperatura e materiais resistentes à radiação continuam sendo usos ideais para essa tecnologia.
MPEAs no setor automotivo
Outra aplicação mais próxima é o uso de MPEAs em aplicações automotivas. Este estudo pode ajudar a criar tintas melhores, pneus mais robustos e conversores catalíticos mais eficientes. Todos esses fatores podem contribuir para a expansão da pesquisa sobre MPEAs e para impulsionar sua adoção.
Quando esses MPEAs chegarão ao mercado?
Não foi divulgado um cronograma sobre quando esta pesquisa poderá chegar ao mercado. No entanto, considerando sua natureza completa e a enorme demanda por materiais com melhor design, é possível que essa tecnologia comece a ser utilizada em projetos já nos próximos 3 anos.
Pesquisadores de MPEAs mais fortes
O estudo Stronger MPEAs foi liderado por engenheiros da Virginia Tech e da Universidade Johns Hopkins. O artigo lista especificamente Sanket A. Deshmukh, Fangxi Wang, Allana G. Iwanicki, Abhishek T. Sose, Lucas A. Pressley e Tyrel M. McQueen como autores contribuintes. Além disso, o projeto recebeu apoio e financiamento da National Science Foundation.
O que vem por aí para o design de ligas orientado por IA?
O futuro do desenvolvimento do MPEA parece promissor. Engenheiros já utilizaram os métodos para criar novos materiais de glicol. Esses compósitos de alta qualidade abrem caminho para inúmeros avanços científicos na ciência dos materiais.
Agora, a equipe busca expandir seu processo para outros materiais, incluindo materiais não pertencentes a MPEAs e outros. O objetivo é obter uma compreensão vital de como esses materiais interagem e quais combinações geram quais resultados específicos.
Investindo no Setor de Ciência dos Materiais
Existem muitos concorrentes na área da ciência dos materiais. Essas empresas investem milhões em pesquisa e desenvolvimento como forma de se manterem à frente da concorrência. Este desenvolvimento mais recente pode ajudar a reduzir suas despesas gerais, permitindo que seus engenheiros conduzam pesquisas muito mais rapidamente. Aqui está uma empresa posicionada para o sucesso na área da ciência dos materiais.
Desenvolvimentos NioCorp
NioCorp (NB ) entrou no mercado em fevereiro de 1987 para aprimorar a posição dos EUA em metais terrosos de alta demanda. Desde então, a empresa cresceu e se tornou um dos maiores projetos minerais dos EUA. Hoje, está sediada no Colorado e opera em todo o país. Notavelmente, o Projeto de Minerais Críticos de Elk Creek busca aprimorar a mineração e a produção de nióbio, escândio e titânio.
Esses elementos são considerados cruciais para a segurança dos EUA, pois são recursos importados necessários para a produção de muitos dos produtos de alta tecnologia. A empresa continua sendo pioneira e ajudou a impulsionar práticas sustentáveis de mineração de nióbio, escândio, titânio e elementos de terras raras.
(NB )
Em 2024, a NioCorp introduziu um novo processo hidrometalúrgico para a reciclagem de ímãs permanentes de terras raras. O projeto abre caminho para uma melhor gestão de resíduos. Esses desenvolvimentos estão alinhados com o compromisso contínuo da empresa em descobrir materiais mais úteis e proteger o abastecimento dos EUA.
Últimas NioCorp (NB) Notícias e desenvolvimentos de ações
Considerações finais: por que este estudo é importante
É fácil entender por que os engenheiros recorreriam à IA para simplificar a descoberta e a fabricação de MPEAs. Essa ciência exata tem sido uma jornada custosa para aqueles que buscam desvendar novos materiais. Felizmente, o trabalho árduo e a dedicação do cientista responsável pelo estudo mais robusto sobre MPEAs podem abrir as portas para um futuro mais promissor, com MPEAs mais robustos, leves e acessíveis.
Saiba mais sobre outros projetos de IA AQUI.
Estudos referenciados:
1. Wang, F., Iwanicki, AG, Sose, AT et ai. Projeto inverso validado experimentalmente de MPEAs de FeNiCrCoCu e desvendando insights importantes com IA explicável. npj Comput Mater 11, 124 (2025). https://doi.org/10.1038/s41524-025-01600-x
