Los científicos son pioneros en un nuevo modelo de aprendizaje automático para la corrosión

11 de agosto de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han resaltado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

verificado

publicación revisada por pares

fuente confiable

corregir

por la Sociedad Max Planck

En un mundo donde las pérdidas económicas anuales por corrosión superan los 2,5 billones de dólares estadounidenses, la búsqueda de aleaciones y revestimientos protectores resistentes a la corrosión es incesante. La inteligencia artificial (IA) está desempeñando un papel cada vez más fundamental en el diseño de nuevas aleaciones. Sin embargo, el poder predictivo de los modelos de IA para prever el comportamiento de la corrosión y sugerir fórmulas de aleaciones óptimas sigue siendo difícil de alcanzar.

Los científicos del Max-Planck-Institut für Eisenforschung (MPIE) han desarrollado un modelo de aprendizaje automático que mejora la precisión predictiva hasta en un 15% en comparación con los marcos existentes. Este modelo descubre composiciones de aleaciones resistentes a la corrosión nuevas pero realistas. Su poder distintivo surge de la fusión de datos numéricos y textuales. Inicialmente desarrollado para el ámbito crítico de resistir la corrosión por picadura en aleaciones de alta resistencia, la versatilidad de este modelo se puede extender a todas las propiedades de la aleación. Los investigadores publicaron sus últimos resultados en la revista Science Advances.

"Cada aleación tiene propiedades únicas en cuanto a su resistencia a la corrosión. Estas propiedades no sólo dependen de la composición de la aleación en sí, sino también del proceso de fabricación de la aleación. Los modelos actuales de aprendizaje automático sólo pueden beneficiarse de datos numéricos. Sin embargo, las metodologías de procesamiento y las experimentales Los protocolos de prueba, que en su mayoría están documentados mediante descriptores textuales, son cruciales para explicar la corrosión", explica Kasturi Narasimha Sasidhar, autor principal de la publicación y ex investigador postdoctoral en MPIE.

El equipo de investigación utilizó métodos de procesamiento del lenguaje, similares a ChatGPT, en combinación con técnicas de aprendizaje automático (ML) para datos numéricos y desarrolló un marco de procesamiento del lenguaje natural totalmente automatizado. Además, la inclusión de datos textuales en el marco ML permite identificar composiciones de aleaciones mejoradas resistentes a la corrosión por picaduras.

"Entrenamos el modelo de aprendizaje profundo con datos intrínsecos que contienen información sobre las propiedades y la composición de la corrosión. Ahora el modelo es capaz de identificar composiciones de aleaciones que son críticas para la resistencia a la corrosión incluso si los elementos individuales no se introdujeron inicialmente en el modelo". dice Michael Rohwerder, coautor de la publicación y jefe del grupo Corrosion en MPIE.

En el marco recientemente ideado, Sasidhar y su equipo aprovecharon los datos recopilados manualmente como descriptores textuales. Actualmente, su objetivo radica en automatizar el proceso de extracción de datos e integrarlo perfectamente en el marco existente.

La incorporación de imágenes de microscopía marca otro hito, imaginando la próxima generación de marcos de IA que convergen datos textuales, numéricos y basados ​​en imágenes.

Más información: Kasturi N. Sasidhar, Mejora del diseño de aleaciones resistentes a la corrosión mediante el procesamiento del lenguaje natural y el aprendizaje profundo, Science Advances (2023). DOI: 10.1126/sciadv.adg7992. www.science.org/doi/10.1126/sciadv.adg7992

Información de la revista:Avances científicos

Proporcionado por la Sociedad Max Planck