Cada vez que conduce sin problemas del punto A al punto B, no sólo disfruta de la comodidad de su automóvil, sino también de la ingeniería sofisticada que lo hace seguro y confiable. Más allá de su comodidad y características protectoras, se encuentra un aspecto menos conocido pero crucial: el rendimiento mecánico optimizado por expertos de los materiales microestructurados. Estos materiales, integrales pero muchas veces no reconocidos, son los que fortalecen su vehículo, garantizando durabilidad y resistencia en cada viaje.
Afortunadamente, los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT han pensado en esto por usted. Un equipo de investigadores superó los métodos tradicionales de prueba y error para crear materiales con un rendimiento extraordinario mediante diseño computacional. Su nuevo sistema integra experimentos físicos, simulaciones basadas en la física y redes neuronales para navegar las discrepancias que a menudo se encuentran entre los modelos teóricos y los resultados prácticos. Uno de los resultados más sorprendentes: el descubrimiento de compuestos microestructurados (utilizados en todo, desde automóviles hasta aviones) que son mucho más resistentes y duraderos, con un equilibrio óptimo entre rigidez y dureza.
“El diseño y la fabricación de compuestos es fundamental para la ingeniería. Es de esperar que las implicaciones de nuestro trabajo se extiendan mucho más allá del ámbito de la mecánica de sólidos. Nuestra metodología proporciona un modelo para un diseño computacional que puede adaptarse a diversos campos como la química de polímeros, la dinámica de fluidos, la meteorología e incluso la robótica”, dice Beichen Li, estudiante de doctorado del MIT en ingeniería eléctrica e informática, afiliado a CSAIL, y investigador principal del proyecto.
Se publicó un artículo de acceso abierto sobre el trabajo en Avances científicos a principios de este mes.
En el vibrante mundo de la ciencia de los materiales, los átomos y las moléculas son como pequeños arquitectos que colaboran constantemente para construir el futuro de todo. Aún así, cada elemento debe encontrar su compañero perfecto y, en este caso, la atención se centró en encontrar un equilibrio entre dos propiedades críticas de los materiales: rigidez y tenacidad. Su método implicó un gran espacio de diseño de dos tipos de materiales base (uno duro y quebradizo, el otro blando y dúctil) para explorar diversas disposiciones espaciales y descubrir microestructuras óptimas.
Una innovación clave en su enfoque fue el uso de redes neuronales como modelos sustitutos para las simulaciones, lo que redujo el tiempo y los recursos necesarios para el diseño de materiales. «Este algoritmo evolutivo, acelerado por redes neuronales, guía nuestra exploración y nos permite encontrar las muestras con mejor rendimiento de manera eficiente», dice Li.
Microestructuras mágicas
El equipo de investigación comenzó su proceso creando fotopolímeros impresos en 3D, aproximadamente del tamaño de un teléfono inteligente pero más delgados, y agregando una pequeña muesca y un corte triangular a cada uno. Después de un tratamiento especializado con luz ultravioleta, las muestras se evaluaron utilizando una máquina de prueba estándar, la Instron 5984, para realizar pruebas de tracción para medir la resistencia y la flexibilidad.
Al mismo tiempo, el estudio combinó pruebas físicas con simulaciones sofisticadas. Utilizando un marco informático de alto rendimiento, el equipo pudo predecir y refinar las características del material incluso antes de crearlo. La mayor hazaña, dijeron, estaba en la técnica matizada de unir diferentes materiales a escala microscópica, un método que involucra un patrón intrincado de gotas minúsculas que fusionan sustancias rígidas y flexibles, logrando el equilibrio adecuado entre fuerza y flexibilidad. Las simulaciones coincidieron estrechamente con los resultados de las pruebas físicas, validando la eficacia general.
Completando el sistema estaba su algoritmo de “Optimización multiobjetivo acelerada por red neuronal” (NMO), para navegar por el complejo panorama de diseño de microestructuras, revelando configuraciones que exhibían atributos mecánicos casi óptimos. El flujo de trabajo funciona como un mecanismo de autocorrección, refinando continuamente las predicciones para alinearse más con la realidad.
Sin embargo, el viaje no ha estado exento de desafíos. Li destaca las dificultades para mantener la coherencia en la impresión 3D e integrar predicciones, simulaciones y experimentos del mundo real de redes neuronales en un proceso eficiente.
En cuanto a los próximos pasos, el equipo se centra en hacer que el proceso sea más utilizable y escalable. Li prevé un futuro en el que los laboratorios estén completamente automatizados, minimizando la supervisión humana y maximizando la eficiencia. «Nuestro objetivo es ver todo, desde la fabricación hasta las pruebas y el cálculo, automatizado en una configuración de laboratorio integrada», concluye Li.
Junto a Li en el artículo se encuentran el autor principal y profesor del MIT Wojciech Matusik, así como el profesor asociado de la Universidad de Ciencia y Tecnología de Pohang, Tae-Hyun Oh, y Bolei Deng, afiliado al MIT CSAIL, ex postdoctorado y ahora profesor asistente en Georgia Tech; Wan Shou, ex postdoctorado y ahora profesor asistente en la Universidad de Arkansas; Yuanming Hu MS ’18 PhD ’21; Yiyue Luo MS ’20; y Liang Shi, un estudiante graduado del MIT en ingeniería eléctrica e informática. La investigación del grupo fue apoyada, en parte, por Baden Aniline and Soda Factory (BASF).
