Исследователи из Городского университета Гонконга и китайских научных центров получили титановый сплав прочностью свыше 1,7 ГПа методом лазерной 3D-печати. Оптимальный состав и параметры производства выявило машинное обучение, перебравшее десятки тысяч комбинаций.

Команда начала с физических экспериментов. Напечатали и протестировали 118 образцов сплава титана, алюминия и хрома с разными пропорциями элементов, мощностью лазера и скоростью сканирования. На этих данных обучили пять алгоритмов. XGBoost показал лучший результат, предсказывая предел прочности и текучести по составу и режимам печати. Затем модель проанализировала 38 052 виртуальные комбинации, выделив наиболее многообещающие варианты для экспериментальной проверки. Это был не поиск в слепую и не генеративная нейросеть, которая «придумала металл», а инструмент, сокративший поле поиска на несколько порядков.

Лучшим оказался состав Ti–7,5Al–3,3Cr. Детали печатали лазерным сплавлением в порошковом слое при мощности 120 Вт и скорости сканирования 1750 мм/с. Аддитивное производство позволило получить структуры, невозможные при обычной металлургии, где некоторые комбинации элементов считались непригодными.

Испытания показали предел текучести 1501 МПа и предел прочности 1726 МПа. При такой нагрузке материал растягивался на 7,5% равномерно, не становясь хрупким. Удельная прочность составила около 380 МПа·см³/г. При нагреве до 550 °C сплав сохранял прочность свыше 1,1 ГПа.

Секрет кроется в атомной структуре. Быстрое охлаждение во время печати создало мартенситные пластины толщиной ~75 нм. Внутри них сформировались полосы с разным порядком укладки атомов, размером менее 10 нм (в среднем около 5 нм). Такие границы замедляют движение дислокаций, но не полностью блокируют деформацию. Этот принцип управления свойствами через наноструктуру всё чаще сочетают с алгоритмами отбора.

Авторы предлагают проектировать металлические сплавы сразу под аддитивное производство, вместо того чтобы переделывать составы, разработанные для ковки или литья. Исследование, опубликованное в Nature Materials, показывает, что комбинация высокопроизводительных экспериментов, машинного обучения и 3D-печати открывает области состава и режимов, которые ранее не рассматривались.

Похожий подход уже применяют при поиске новых сверхпроводников. Алгоритм отсеивает большинство слабых кандидатов, после чего дорогостоящие расчёты и опыты проводят только для перспективных веществ.

В материаловедении прочность всё чаще повышают не только новыми химическими составами, но и управлением структурой на микро- и наномасштабе. Специалисты MIT недавно продемонстрировали сверхпрочные метаматериалы, свойства которых определяет их внутренняя геометрия.

Но компьютерный прогноз ещё не равен открытию. История робот-лаборатории DeepMind показала, насколько важна экспериментальная проверка результатов ИИ. В этом случае модель служила инструментом отбора, а заявленные характеристики подтвердили физическими испытаниями реальных образцов.