Apprendimento automatico con annealing quantistico scopre una lega ad alta entropia duttile, ad alta resistenza e resistente alla corrosione

Perché questo è importante per i materiali del futuro

Dalle auto e navi più leggere ai dispositivi medici più durevoli, la tecnologia moderna dipende da metalli che siano allo stesso tempo resistenti, flessibili e resistenti alla corrosione. Tuttavia, scoprire tali “leghe dei sogni” è un processo dolorosamente lento, perché i ricercatori devono esplorare uno spazio enorme di possibili miscele usando dati limitati e spesso rumorosi. Questo articolo mostra come una forma di calcolo quantistico chiamata annealing quantistico possa collaborare con l'apprendimento automatico per guidare quella ricerca in modo più efficiente, e dimostra l'approccio progettando e testando una nuova lega ad alta entropia che è al tempo stesso tenace e altamente resistente alla corrosione.

Cercare aghi in un pagliaio metallico

Le leghe tradizionali si basano su uno o due elementi principali, mentre le leghe ad alta entropia mescolano quattro o più elementi in quantità simili, liberando una grande varietà di strutture e proprietà possibili. Questa libertà ha però un costo: il numero di composizioni cresce in modo esplosivo e le simulazioni fisiche dettagliate per ogni candidato sono troppo lente. I modelli basati sui dati possono aiutare, ma i dati sperimentali disponibili sono scarsi e incoerenti, il che rende facile per i modelli complessi “apprendere eccessivamente” le particolarità dei dati invece della fisica sottostante. Scegliere i descrittori di input giusti, regolare la complessità del modello e eliminare le parti inutili del modello diventano difficili problemi di ottimizzazione dove gli algoritmi classici spesso rimangono bloccati su soluzioni appena buone, piuttosto che veramente eccellenti.

Lasciare che la fisica quantistica guidi gli algoritmi

L'annealing quantistico affronta questi problemi ricastandoli come paesaggi energetici: ogni possibile scelta di caratteristiche del modello, parametri o connessioni corrisponde a una configurazione di spin quantistici, e la soluzione migliore giace al minimo di energia. Poiché i sistemi quantistici possono esplorare molte configurazioni contemporaneamente e tunnelare attraverso barriere energetiche sottili, possono sfuggire alle trappole locali che intrappolano gli algoritmi classici. In questo lavoro, gli autori costruiscono un framework di “apprendimento automatico assistito da quantistica” (QaML) che traduce diversi passaggi chiave — selezione dei descrittori, addestramento di modelli a vettori di supporto e potatura di reti neurali — in una comune forma quadratica binaria adatta agli annealer quantistici. Combinano questo con uno schema di batching ingegnoso in modo che insiemi di descrittori di grandi dimensioni possano essere gestiti anche sui dispositivi quantistici di dimensioni limitate odierne.

Dai dati a una nuova lega promettente

Armati di questi strumenti, il team si è concentrato su leghe ad alta entropia costituite da alluminio, cromo, ferro, manganese e titanio. All'interno di questa famiglia hanno cercato leghe monofasiche a struttura cubica a corpo centrato che fossero leggere, resistenti e resistenti alla corrosione in ambienti aggressivi, acidi e salini. Regole basate sulla fisica — come richiedere elementi noti per formare film superficiali protettivi ed evitare combinazioni inclini a ossidi instabili — hanno ristretto lo spazio delle possibilità. La selezione delle feature assistita quantisticamente ha identificato un piccolo insieme di descrittori significativi per due compiti: un modello di classificazione che predice se una lega si deformerà in modo fragile o duttile, e un modello di regressione che stima la resistenza allo snervamento. Reti neurali e macchine a vettori di supporto ottimizzate quantisticamente sono state poi addestrate su dati sperimentali curati. Notevolmente, le reti potate usando l'annealing quantistico hanno generalizzato meglio rispetto a quelle potate con metodi classici, anche quando il risolutore classico ha trovato valori numerici di costo leggermente inferiori, suggerendo che l'approccio quantistico tende a favorire regioni della soluzione più ampie e più stabili.

Mettere la previsione alla prova

Usando questa pipeline di screening integrata, il framework ha individuato una composizione particolare, Al8Cr38Fe50Mn2Ti2 (in percentuale atomica), come particolarmente promettente. I calcoli suggerivano che avrebbe formato una semplice struttura monofasica con elevata duttilità, alta resistenza, densità relativamente bassa e buona performance anticorrosione. I ricercatori hanno sintetizzato la lega e hanno confermato che cristallizza nella struttura desiderata con distribuzione elementare uniforme. I test di compressione hanno mostrato una resistenza allo snervamento dello 0,2% pari a 568 megapascal e più del 40% di deformazione senza rottura — indicativo di notevole tenacità. I test di corrosione in soluzioni acide clorurate hanno rivelato che il suo film passivo rimane stabile a potenziali più elevati e presenta una densità di corrente critica quasi un ordine di grandezza inferiore rispetto all'acciaio inossidabile 304 convenzionale, implicando una superficie più protettiva e di durata maggiore.

Una nuova via per un design delle leghe più intelligente

In termini quotidiani, questo studio mostra che gli algoritmi potenziati dalla quantistica possono aiutare gli scienziati a setacciare spazi di progettazione sorprendentemente grandi per trovare ricette metalliche che siano al tempo stesso resistenti e durature, anche quando esistono solo quantità modeste di dati sperimentali. Confermando sperimentalmente le prestazioni previste di una specifica lega ad alta entropia, il lavoro sposta l'annealing quantistico da una curiosità teorica a uno strumento pratico nel design dei materiali. Con il miglioramento dell'hardware quantistico, workflow simili potrebbero accelerare la scoperta di un'ampia gamma di materiali avanzati, dalle leghe strutturali per veicoli e navi a rivestimenti specializzati che resistono alla corrosione in ambienti estremi.

Citazione: 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

Parole chiave: annealing quantistico, apprendimento automatico, leghe ad alta entropia, scoperta di materiali, resistenza alla corrosione