Klart är att nya material med ändamålsenliga egenskaper kommer att spela avgörande roller i nästa generations tekniska tillämpningar, särskilt för transporter och förnybar energiteknik. I detta har bl a högentropilegeringar (HEA) visat sig vara lovande för att möta behoven. De har hög hållfasthet och hårdhet, bra slitstyrka och korrosionsbeständighet. Dessutom är de lämpliga för hög- och lågtemperatur-applikationer. Flygmotorer eller transportlösningar för flytande väte, ammoniak och naturgas är några exempel.
WASPs nyhetsbrev noterar att i jämförelse med traditionella legeringar, som består av en eller två huvudkomponenter med mindre mängder av andra element, är HEAs designade genom att använda fem eller flera huvudelement i lika eller nästan lika koncentrationer: ”Metodologiska begränsningar i designprocessen av högentropilegeringar är dock fortfarande en utmaning. För närvarande används termodynamiska modeller för att förutsäga ändamålsenliga materialsammansättningar i kombination med tidskrävande experiment, men dessa modeller misslyckas ofta när de appliceras på de högdimensionella sammansättningsutrymmen som används i HEA,” skriver man.
Miljontals möjliga kompositioner
Poängen i sammanhanget är nu att WASP-forskaren Stefan Bauer och hans kollegor i en ny studie använt en maskininlärningsmetod för kompositionsdesign av HEAs, baserat på sparsamma experimentella data.
”Kortfattat fungerar tillvägagångssättet som en sluten slinga, som integrerar maskininlärning med densitetsfunktionella teorier, termodynamiska beräkningar och experiment. Av miljontals möjliga sammansättningar skulle modellen kunna karakterisera 17 nya legeringar. Försöket resulterade i identifieringen av två högentropi Invar-legeringar med extremt låga värmeutvidgningskoefficienter. Hela arbetsflödet krävde bara några månader, i motsats till ett konventionellt tillvägagångssätt för legeringsdesign, som vanligtvis tar år,” noterar man
WASP rekryterade fakultet inom WASP AI/MLX
Stefan Bauer är biträdande professor vid KTH Stockholm i juli 2021. Med en bakgrund i matematik och ekonomi tog han sin doktorsexamen i datavetenskap från ETH Zürich och belönades med ETH medalj för en enastående doktorsavhandling. Innan han började på WASP var han forskargruppsledare vid MPI for Intelligent Systems. Hans forskning fokuserar på kausalitet och djupinlärning med målet att designa intelligenta AI-system.
Studien om HEA-design öppnar en ny väg för snabb och automatiserad upptäckt av högentropilegeringar med optimala termiska, magnetiska och elektriska egenskaper. Resultaten publiceras nu i senaste numret av Science.
