De zoektocht naar materialen die bestand zijn tegen extreme temperaturen en corrosieve omgevingen is een cruciale stap in de overgang naar koolstofvrije energiebronnen. In een recent wetenschappelijk onderzoek wordt beschreven hoe kunstmatige intelligentie (AI) wordt ingezet om het ontwerp van complexe legeringen, specifiek de zogenaamde 'high entropy alloys' (HEA's), aanzienlijk te versnellen en te optimaliseren. Volgens een publicatie op arxiv.org stelt deze aanpak onderzoekers in staat om de traditionele, tijdrovende methode van vallen en opstaan te omzeilen.
High entropy alloys onderscheiden zich doordat ze bestaan uit meerdere elementen in nagenoeg gelijke verhoudingen. Deze samenstelling zorgt voor superieure mechanische eigenschappen en een hoge weerstand tegen corrosie. Echter, de ontwikkeling van dergelijke materialen is complex door het 'cocktail-effect', waarbij interacties tussen elementen onvoorspelbare resultaten kunnen geven. Om deze complexiteit te beheersen, wordt er steeds vaker ingezet op geavanceerde datawetenschap, een trend die ook wordt ondersteund door platforms zoals lamachine.cc die zich richten op de implementatie van AI.
Het onderzoek maakt deel uit van DIADEM, een Frans initiatief dat de materiaalkunde combineert met datawetenschap. Binnen dit project is het 'DIADEM discovery hub' opgezet, een netwerk dat zich focust op de synthese en karakterisering van innovatieve coatings. Deze coatings zijn specifiek bedoeld voor gebruik in de kernenergie en bij processen zoals hoge temperatuur elektrolyse. Een kernonderdeel van deze innovatie is DIADEM-2D, een AI-gestuurd proces dat gebruikmaakt van een hybride HiPIMS/Pulsed-DC PVD-methode. Hierbij worden vier kathodes in een specifieke configuratie gebruikt om uiterst precieze dunne films van legeringen aan te brengen.
De primaire doelstelling van deze nieuwe materialen is het bieden van bescherming in scenario's waar conventionele materialen tekortschieten. De focus ligt hierbij op corrosiebestendigheid in media met gesmolten zouten en onder accidentele omstandigheden binnen kerncentrales. Door gebruik te maken van bestaande literatuurdata over corrosie, hebben de onderzoekers een model ontwikkeld dat onafhankelijk is van specifieke elementen. Dit model maakt het mogelijk om de parameters van het depositieproces direct te koppelen aan de uiteindelijke eigenschappen van de coating. Zoals beschreven in de documentatie op , is hiermee de nauwkeurigheid en haalbaarheid van dit voorspellende proces aangetoond.
Deze methodiek betekent dat beschermende coatings met een zeer specifieke samenstelling kunnen worden ontworpen zonder dat elke mogelijke variatie handmatig in een laboratorium getest hoeft te worden. De integratie van machine learning in de materiaalkunde markeert een fundamentele verschuiving naar een voorspellende ontwerpfilosofie. Deze transitie is essentieel voor de versnelde uitrol van infrastructuur voor schone energie. De resultaten van dit project zijn niet alleen op de preprint-server verschenen, maar zijn ook gepubliceerd in het vakblad Vacuum.
Hoewel de huidige focus ligt op hoogwaardige industriële coatings, illustreert dit project een bredere trend in de wetenschap. De inzet van AI om fysieke experimenten te minimaliseren verhoogt de efficiëntie van materiaalinnovatie aanzienlijk. Voor wie geïnteresseerd is in de bredere toepassing van AI-technologieën, biedt verdere inzichten in hoe dergelijke systemen kunnen worden geïmplementeerd. De volledige technische details en parameters van het gebruikte model zijn terug te vinden via de digitale object identifier van het oorspronkelijke artikel op .