En un mundo en el que las pérdidas económicas anuales por corrosión superan los 2,5 billones de dólares, la búsqueda de aleaciones y revestimientos protectores resistentes a la corrosión es incesante. La inteligencia artificial (IA) desempeña 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 óptimas de aleación sigue siendo difícil de alcanzar. 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 potencia se debe a la fusión de datos numéricos y textuales. Este modelo, desarrollado inicialmente para resistir la corrosión por picaduras en aleaciones de alta resistencia, puede ampliarse a todas las propiedades de las aleaciones. Los investigadores han publicado sus últimos resultados en la revista Science Advances.
Fusión de textos y números
«Cada aleación tiene propiedades únicas en cuanto a su resistencia a la corrosión. Estas propiedades no sólo dependen de la propia composición de la aleación, sino también de su proceso de fabricación. Los modelos actuales de aprendizaje automático sólo pueden beneficiarse de los datos numéricos. Sin embargo, las metodologías de procesamiento y los protocolos de pruebas experimentales, que en su mayoría están documentados mediante descriptores textuales, son cruciales para explicar la corrosión», explica el Dr. Kasturi Narasimha Sasidhar, autor principal de la publicación y antiguo investigador postdoctoral en el MPIE. El equipo de investigadores utilizó métodos de procesamiento del lenguaje, similares al 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 aleación mejoradas resistentes a la corrosión por picaduras. «Entrenamos el modelo de aprendizaje profundo con datos intrínsecos que contienen información sobre las propiedades de corrosión y la composición. Ahora el modelo es capaz de identificar composiciones de aleación que son críticas para la resistencia a la corrosión, incluso si los elementos individuales no se introdujeron inicialmente en el modelo», afirma el Dr. Michael Rohwerder, coautor de la publicación y jefe del grupo Corrosión del MPIE.
Superar los límites: minería de datos y tratamiento de imágenes automatizados
En el marco recientemente ideado, Sasidhar y su equipo aprovecharon los datos recogidos manualmente como descriptores textuales. En la actualidad, su objetivo es automatizar el proceso de extracción de datos e integrarlo perfectamente en el marco existente. La incorporación de imágenes de microscopía marca otro hito, al prever la próxima generación de marcos de IA en los que converjan datos textuales, numéricos y basados en imágenes.
