Quantenantliche Maschinelles Lernen entdeckt duktiles, hochfestes und korrosionsbeständiges Hochentropie‑Legierung

Warum das für zukünftige Materialien wichtig ist

Von leichteren Autos und Schiffen bis zu langlebigeren medizinischen Geräten hängt moderne Technik von Metallen ab, die zugleich stark, biegsam und korrosionsbeständig sein können. Die Entdeckung solcher „Traumlegierungen“ ist jedoch ausgesprochen langsam, weil Forschende ein riesiges Feld möglicher Mischungen durchforsten müssen und dabei nur über begrenzte und oft rauschbehaftete Daten verfügen. Diese Arbeit zeigt, wie eine Form des Quantenrechnens, das Quanten‑Annealing, mit maschinellem Lernen zusammenarbeiten kann, um diese Suche effizienter zu gestalten, und demonstriert den Ansatz durch Entwurf und Prüfung einer neuen Hochentropie‑Legierung, die sowohl zäh als auch hoch korrosionsbeständig ist.

Nach Nadeln in einem metallischen Heuhaufen suchen

Konventionelle Legierungen basieren auf einem oder zwei Hauptelementen, während Hochentropie‑Legierungen vier oder mehr Elemente in ähnlichen Anteilen mischen und so eine enorme Vielfalt möglicher Strukturen und Eigenschaften eröffnen. Diese Freiheit hat ihren Preis: Die Zahl der Zusammensetzungen wächst explosionsartig, und detaillierte physikalische Simulationen für jeden Kandidaten sind viel zu langsam. Datengetriebene Modelle können helfen, doch die verfügbaren experimentellen Daten sind spärlich und inkonsistent, wodurch komplexe Modelle leicht die Eigenheiten der Daten statt der zugrundeliegenden Physik „überlernen“. Die Auswahl geeigneter Input‑Deskriptoren, das Abstimmen der Modellkomplexität und das Entfernen unbrauchbarer Modellteile werden zu schwierigen Optimierungsproblemen, bei denen klassische Algorithmen oft in lediglich guten statt wirklich exzellenten Lösungen steckenbleiben.

Quantenphysik als Leitfaden für die Algorithmen

Quanten‑Annealing begegnet solchen Problemen, indem es sie als Energielandschaften neu formuliert: Jede mögliche Wahl von Modellmerkmalen, Parametern oder Verbindungen entspricht einer Anordnung quantenmechanischer Spins, und die beste Lösung liegt im Zustand mit der niedrigsten Energie. Da quantenmechanische Systeme viele Konfigurationen gleichzeitig erkunden und durch dünne Energiebarierren tunneln können, gelingt ihnen möglicherweise das Entkommen aus lokalen Fallen, die klassische Algorithmen einfangen. In dieser Arbeit bauen die Autoren ein „quantenantwortetes maschinelles Lernen“ (QaML)‑Framework auf, das mehrere Schlüssel‑Schritte — die Auswahl von Deskriptoren, das Training von Support‑Vector‑Modellen und das Beschneiden neuronaler Netze — in eine gemeinsame quadratische binäre Form übersetzt, die für Quanten‑Annealer geeignet ist. Sie kombinieren dies mit einem geschickten Batching‑Schema, sodass auch große Deskriptorensätze auf den heute noch begrenzten Quanten‑Geräten handhabbar sind.

Von Daten zu einer vielversprechenden neuen Legierung

Mit diesen Werkzeugen konzentrierte sich das Team auf Hochentropie‑Legierungen aus Aluminium, Chrom, Eisen, Mangan und Titan. Innerhalb dieser Familie suchten sie nach einkristallinen, kubisch‑raumzentrierten Legierungen, die leicht, fest und korrosionsbeständig in aggressiven, sauren und salzhaltigen Umgebungen sind. Physikbasierte Regeln — etwa das Erfordernis von Elementen, die bekanntermaßen schützende Oberflächenfilme bilden, und das Vermeiden von Kombinationen, die zu instabilen Oxiden neigen — schränkten den Raum ein. Quantenunterstützte Merkmalwahl identifizierte einen kleinen Satz aussagekräftiger Deskriptoren für zwei Aufgaben: ein Klassifikationsmodell, das vorhersagt, ob eine Legierung spröde oder duktil versagt, und ein Regressionsmodell, das die Streckgrenze abschätzt. Quantenoptimierte neuronale Netze und Support‑Vector‑Maschinen wurden anschließend auf kuratierten experimentellen Daten trainiert. Bemerkenswert ist, dass mittels Quanten‑Annealing beschnittene Netzwerke besser generalisierten als klassisch beschnittene, selbst wenn der klassische Solver numerisch leicht niedrigere Kostenwerte fand — ein Hinweis darauf, dass der Quantenansatz tendenziell breitere, stabilere Bereiche der Lösungslandschaft bevorzugt.

Die Vorhersage auf die Probe stellen

Mit dieser integrierten Screening‑Pipeline wählte das Framework eine bestimmte Zusammensetzung aus, Al8Cr38Fe50Mn2Ti2 (in Atomprozent), als besonders vielversprechend aus. Berechnungen deuteten darauf hin, dass sie eine einfache Einkomponenten‑Phase mit hoher Duktilität, hoher Festigkeit, relativ geringer Dichte und guter Korrosionsleistung bilden sollte. Die Forschenden synthetisierten die Legierung und bestätigten, dass sie in der gewünschten Struktur kristallisiert und die Elemente gleichmäßig verteilt sind. Druckversuche zeigten eine 0,2‑%‑Streckgrenze von 568 Megapascal und mehr als 40 % Dehnung ohne Bruch — ein Hinweis auf beträchtliche Zähigkeit. Korrosionstests in sauren Chloridlösungen zeigten, dass ihr passiver Film bis zu höheren Potentialen stabil bleibt und nahezu eine Größenordnung niedrigere kritische Stromdichten aufweist als konventioneller Edelstahl 304, was auf eine schützendere und länger haltbare Oberfläche hindeutet.

Ein neuer Weg zu intelligenterer Legierungs‑Entwicklung

Anschaulich zeigt diese Studie, dass quantenverstärkte Algorithmen Forschenden helfen können, sich durch erstaunlich große Gestaltungsräume zu arbeiten und Metallrezepturen zu finden, die sowohl stark als auch langlebig sind — selbst wenn nur begrenzte experimentelle Daten vorhanden sind. Indem die vorhergesagte Leistung einer spezifischen Hochentropie‑Legierung im Labor bestätigt wurde, rückt die Arbeit Quanten‑Annealing vom theoretischen Kuriosum hin zu einem praktischen Werkzeug im Materialdesign. Mit Fortschritten in der Quantenhardware könnten ähnliche Workflows die Entdeckung einer breiten Palette fortschrittlicher Materialien beschleunigen, von Strukturlegierungen für Fahrzeuge und Schiffe bis hin zu spezialisierten Beschichtungen, die in extremen Umgebungen Korrosion widerstehen.

Zitation: Ibarra-Hoyos, D., Connors, P.F., Jang, H. et al. Quantum-annealed machine learning discovers ductile, high strength and corrosion-resistant high-entropy alloy. npj Comput Mater 12, 159 (2026). https://doi.org/10.1038/s41524-026-02032-x

Schlüsselwörter: Quanten‑Annealing, Maschinelles Lernen, Hochentropie‑Legierungen, Materialentdeckung, Korrosionsbeständigkeit