El concepto de orden de corto alcance (SRO, por sus siglas en inglés) —la disposición de los átomos a lo largo de pequeñas distancias— en aleaciones metálicas ha sido poco explorado en la ciencia y la ingeniería de materiales. Pero en la última década se ha renovado el interés por cuantificarlo, ya que descifrar el SRO es un paso crucial hacia el desarrollo de aleaciones de alto rendimiento a medida, como materiales más fuertes o resistentes al calor.
Comprender cómo se organizan los átomos no es una tarea fácil y debe verificarse mediante experimentos intensivos de laboratorio o simulaciones por computadora basadas en modelos imperfectos. Estos obstáculos han dificultado la exploración completa de la SRO en aleaciones metálicas.
Pero Killian Sheriff y Yifan Cao, estudiantes de posgrado del Departamento de Ciencia e Ingeniería de Materiales (DMSE) del MIT, están utilizando el aprendizaje automático para cuantificar, átomo por átomo, las complejas disposiciones químicas que componen el SRO. Bajo la supervisión del profesor adjunto Rodrigo Freitas, y con la ayuda de la profesora adjunta Tess Smidt del Departamento de Ingeniería Eléctrica y Ciencias de la Computación, su trabajo se publicó recientemente en El procedimientos de la Academia Nacional de Ciencias.
El interés en comprender la SRO está vinculado al entusiasmo en torno a los materiales avanzados denominados aleaciones de alta entropía, cuyas composiciones complejas les confieren propiedades superiores.
Por lo general, los científicos de materiales desarrollan aleaciones utilizando un elemento como base y agregando pequeñas cantidades de otros elementos para mejorar propiedades específicas. La adición de cromo al níquel, por ejemplo, hace que el metal resultante sea más resistente a la corrosión.
A diferencia de la mayoría de las aleaciones tradicionales, las aleaciones de alta entropía tienen varios elementos, desde tres hasta 20, en proporciones casi iguales. Esto ofrece un amplio margen de diseño. “Es como si estuvieras haciendo una receta con muchos más ingredientes”, dice Cao.
El objetivo es utilizar la SRO como un “botón” para adaptar las propiedades del material mediante la mezcla de elementos químicos en aleaciones de alta entropía de formas únicas. Este enfoque tiene aplicaciones potenciales en industrias como la aeroespacial, la biomedicina y la electrónica, lo que impulsa la necesidad de explorar permutaciones y combinaciones de elementos, dice Cao.
Capturando orden de corto alcance
El orden de corto alcance se refiere a la tendencia de los átomos a formar disposiciones químicas con átomos vecinos específicos. Si bien una mirada superficial a la distribución elemental de una aleación podría indicar que sus elementos constituyentes están dispuestos aleatoriamente, a menudo no es así. “Los átomos tienen una preferencia por tener átomos vecinos específicos dispuestos en patrones particulares”, dice Freitas. “La frecuencia con la que surgen estos patrones y cómo se distribuyen en el espacio es lo que define el SRO”.
Comprender el SRO nos permite acceder al reino de los materiales de alta entropía. Lamentablemente, no se sabe mucho sobre el SRO en aleaciones de alta entropía. “Es como si estuviéramos tratando de construir un modelo de Lego enorme sin saber cuál es la pieza de Lego más pequeña que podemos tener”, dice Sheriff.
Los métodos tradicionales para comprender la SRO implican pequeños modelos computacionales o simulaciones con un número limitado de átomos, lo que proporciona una imagen incompleta de los sistemas materiales complejos. “Los materiales de alta entropía son químicamente complejos: no se pueden simular bien con solo unos pocos átomos; realmente se necesita ir a unas pocas escalas de longitud por encima de eso para capturar el material con precisión”, dice Sheriff. “De lo contrario, es como tratar de comprender su árbol genealógico sin conocer a uno de los padres”.
La SRO también se ha calculado mediante matemáticas básicas, contando los vecinos inmediatos de unos pocos átomos y calculando cómo podría ser esa distribución en promedio. A pesar de su popularidad, el método tiene limitaciones, ya que ofrece una imagen incompleta de la SRO.
Afortunadamente, los investigadores están aprovechando el aprendizaje automático para superar las deficiencias de los enfoques tradicionales para capturar y cuantificar el SRO.
Hyunseok Oh, profesor adjunto del Departamento de Ciencia e Ingeniería de Materiales de la Universidad de Wisconsin en Madison y ex investigador posdoctoral del DMSE, está entusiasmado por investigar más a fondo la SRO. Oh, que no participó en este estudio, explora cómo aprovechar la composición de las aleaciones, los métodos de procesamiento y su relación con la SRO para diseñar mejores aleaciones. “La física de las aleaciones y el origen atomístico de sus propiedades dependen del ordenamiento de corto alcance, pero el cálculo preciso del ordenamiento de corto alcance ha sido casi imposible”, dice Oh.
Una solución de aprendizaje automático de dos frentes
Para estudiar el SRO mediante el aprendizaje automático, es útil imaginar la estructura cristalina en aleaciones de alta entropía como un juego de unir los puntos en un libro para colorear, dice Cao.
“Es necesario conocer las reglas para conectar los puntos para ver el patrón”. Y es necesario capturar las interacciones atómicas con una simulación que sea lo suficientemente grande como para que quepa todo el patrón.
En primer lugar, comprender las reglas implicaba reproducir los enlaces químicos en aleaciones de alta entropía. “Hay pequeñas diferencias de energía en los patrones químicos que conducen a diferencias en el orden de corto alcance, y no teníamos un buen modelo para hacerlo”, dice Freitas. El modelo que desarrolló el equipo es el primer elemento básico para cuantificar con precisión la SRO.
La segunda parte del desafío, garantizar que los investigadores obtengan la imagen completa, fue más compleja. Las aleaciones de alta entropía pueden exhibir miles de millones de “motivos” químicos, combinaciones de disposiciones de átomos. Identificar estos motivos a partir de datos de simulación es difícil porque pueden aparecer en formas simétricamente equivalentes (rotadas, reflejadas o invertidas). A primera vista, pueden parecer diferentes, pero aún así contienen los mismos enlaces químicos.
El equipo resolvió este problema empleando redes neuronales euclidianas en 3D. Estos modelos computacionales avanzados permitieron a los investigadores identificar motivos químicos a partir de simulaciones de materiales de alta entropía con un nivel de detalle sin precedentes, examinándolos átomo por átomo.
La tarea final fue cuantificar el SRO. Freitas utilizó el aprendizaje automático para evaluar los diferentes motivos químicos y etiquetar cada uno con un número. Cuando los investigadores quieren cuantificar el SRO de un nuevo material, lo ejecutan con el modelo, que lo ordena en su base de datos y genera una respuesta.
El equipo también invirtió un esfuerzo adicional en hacer que su marco de identificación de motivos fuera más accesible. “Tenemos esta hoja de todas las permutaciones posibles de [SRO] “Ya están configurados y sabemos qué número obtuvo cada uno de ellos a través de este proceso de aprendizaje automático”, dice Freitas. “Entonces, más tarde, cuando nos encontramos con simulaciones, podemos ordenarlos para que nos digan cómo se verá ese nuevo SRO”. La red neuronal reconoce fácilmente las operaciones de simetría y etiqueta las estructuras equivalentes con el mismo número.
«Si tuvieras que recopilar todas las simetrías tú mismo, sería mucho trabajo. El aprendizaje automático organizó todo esto para nosotros muy rápidamente y de una manera lo suficientemente económica como para que pudiéramos aplicarlo en la práctica», afirma Freitas.
Entra en la supercomputadora más rápida del mundo
Este verano, Cao, Sheriff y su equipo tendrán la oportunidad de explorar cómo el SRO puede cambiar en condiciones rutinarias de procesamiento de metales, como la fundición y el laminado en frío, a través del programa INCITE del Departamento de Energía de EE. UU., que permite el acceso a Frontier, la supercomputadora más rápida del mundo.
“Si se quiere saber cómo cambia el orden de corto plazo durante la fabricación real de metales, es necesario contar con un modelo muy bueno y una simulación muy grande”, afirma Freitas. El equipo ya cuenta con un modelo sólido; ahora aprovechará las instalaciones informáticas de INCITE para realizar las simulaciones robustas necesarias.
“Con esto esperamos descubrir el tipo de mecanismos que los metalúrgicos podrían emplear para diseñar aleaciones con SRO predeterminado”, agrega Freitas.
Sheriff está entusiasmado con las muchas promesas de la investigación. Una de ellas es la información en 3D que se puede obtener sobre el SRO químico. Mientras que los microscopios electrónicos de transmisión tradicionales y otros métodos se limitan a datos bidimensionales, las simulaciones físicas pueden completar los puntos y brindar acceso total a la información en 3D, dice Sheriff.
“Hemos introducido un marco para empezar a hablar de la complejidad química”, explica Sheriff. “Ahora que podemos entender esto, hay todo un corpus de ciencia de materiales sobre aleaciones clásicas para desarrollar herramientas predictivas para materiales de alta entropía”.
Eso podría conducir al diseño específico de nuevas clases de materiales en lugar de simplemente disparar a ciegas.
La investigación fue financiada por el MathWorks Ignition Fund, el MathWorks Engineering Fellowship Fund y la Fundación Portuguesa para la Cooperación Internacional en Ciencia, Tecnología y Educación Superior en el Programa MIT-Portugal.
