Quantum-annealed machine learning ontdekt taai, hoogsterk en corrosiebestendig hoog-entropylegering

Waarom dit belangrijk is voor toekomstige materialen

Van lichtere auto’s en schepen tot duurzamere medische hulpmiddelen: moderne technologieën zijn afhankelijk van metalen die tegelijk sterk, vervormbaar en corrosiebestendig kunnen zijn. Het vinden van dergelijke “droomlegeringen” gaat echter uiterst traag, omdat onderzoekers een enorme ruimte aan mogelijke mengsels moeten doorzoeken met beperkte en vaak ruisende data. Dit artikel toont hoe een vorm van quantumcomputing, quantum annealing genoemd, kan samenwerken met machine learning om die zoektocht efficiënter te maken, en demonstreert de aanpak door een nieuwe hoog‑entropylegering te ontwerpen en te testen die zowel taai als sterk en zeer corrosiebestendig is.

Zoeken naar naalden in een metalen hooiberg

Traditionele legeringen zijn opgebouwd rond één of twee hoofdcomponenten, maar hoog‑entropylegeringen mengen vier of meer elementen in vergelijkbare hoeveelheden, wat een enorme variëteit aan mogelijke structuren en eigenschappen ontsluit. Die vrijheid heeft een prijs: het aantal samenstellingen groeit explosief en gedetailleerde fysicasimulaties voor elk kandidaat‑mengsel zijn veel te traag. Data‑gedreven modellen kunnen helpen, maar beschikbare experimentele gegevens zijn schaars en inconsistent, waardoor complexe modellen gemakkelijk de eigenaardigheden van de data ‘‘overleren’’ in plaats van de onderliggende fysica. De juiste invoer‑descriptors kiezen, de modelcomplexiteit afstemmen en onbruikbare onderdelen van een model wegknippen worden dan lastige optimalisatieproblemen waarbij klassieke algoritmen vaak vastlopen in enkel goed in plaats van werkelijk uitstekend oplossingen.

Quantumfysica de algoritmen laten sturen

Quantum annealing pakt zulke problemen aan door ze te herschikken als energielandschappen: elke mogelijke keuze van modelkenmerken, parameters of verbindingen komt overeen met een configuratie van quantumdraaiingen, en de beste oplossing ligt bij de laagste energie. Omdat quantumsystemen veel configuraties tegelijk kunnen verkennen en door dunne energiedrempels kunnen tunnelen, kunnen ze ontsnappen aan lokale vallen die klassieke algoritmen vasthouden. In dit werk bouwen de auteurs een "quantum‑assisted machine‑learning" (QaML) raamwerk dat meerdere belangrijke stappen — het selecteren van descriptors, het trainen van support‑vector modellen en het snoeien van neurale netwerken — vertaalt naar een algemene kwadratische binaire vorm die geschikt is voor quantum‑annealers. Ze combineren dit met een slimme batching‑strategie zodat grote descriptorsets ook op de beperkte quantumapparaten van vandaag verwerkt kunnen worden.

Van data naar een veelbelovende nieuwe legering

Met deze gereedschappen richtte het team zich op hoog‑entropylegeringen opgebouwd uit aluminium, chroom, ijzer, mangaan en titanium. Binnen deze familie zochten ze enkelvoudige fased, kubisch bundelcentra‑legeringen die licht, sterk en bestand tegen corrosie in agressieve, zure en zoute omgevingen zouden zijn. Fysica‑gebaseerde regels — zoals het vereisen van elementen die bekendstaan om het vormen van beschermende oppervlaktefilms en het vermijden van combinaties die geneigd zijn onstabiele oxiden te vormen — beperkten de ruimte. Quantum‑ondersteunde featureselectie identificeerde een kleine set betekenisvolle descriptors voor twee taken: een classificatiemodel dat voorspelt of een legering bros of taai zal vervormen, en een regressiemodel dat de vloeigrensschatting maakt. Quantum‑geoptimaliseerde neurale netwerken en support‑vector machines werden vervolgens getraind op gecureerde experimentele data. Opvallend was dat netwerken die met quantum annealing werden gesnoeid beter generaliseerden dan die gesnoeid met klassieke methoden, zelfs wanneer de klassieke oplosser iets lagere numerieke kostenwaarden vond, wat suggereert dat de quantumaanpak de neiging heeft bredere, stabielere regio’s van het oplossingslandschap te prefereren.

De voorspelling op de proef stellen

Met deze geïntegreerde screeningspijplijn koos het raamwerk een specifieke samenstelling uit: Al8Cr38Fe50Mn2Ti2 (in atoomprocenten), als bijzonder veelbelovend. Berekeningen suggereerden dat deze een eenvoudige enkelvoudige fase met hoge taaiheid, hoge sterkte, relatief lage dichtheid en goede corrosieprestaties zou vormen. De onderzoekers synthetiseerden de legering en bevestigden dat deze kristalliseert in de gewenste structuur met een uniforme elementverdeling. Compressietests toonden een 0,2% vloeigrens van 568 megapascal en meer dan 40% rek zonder breuk — wat wijst op aanzienlijke taaiheid. Corrosietests in zure chlorideoplossingen toonden dat de passieve film stabiel blijft bij hogere potentialen en bijna een orde van grootte lagere kritische stroomdichtheid draagt dan conventioneel 304 roestvast staal, wat wijst op een meer beschermende en langer houdbare oppervlaktefilm.

Een nieuwe route naar slimmer legeringsontwerp

In gewone bewoordingen laat deze studie zien dat quantum‑versterkte algoritmen wetenschappers kunnen helpen door verbijsterend grote ontwerpruimten te zoeken naar metaalrecepten die zowel sterk als duurzaam zijn, zelfs wanneer er slechts beperkte experimentele data beschikbaar zijn. Door de voorspelde prestaties van een specifieke hoog‑entropylegering in het laboratorium te bevestigen, verplaatst dit werk quantum annealing van een theoretische curiositeit naar een praktisch hulpmiddel in materialenontwerp. Naarmate quantumhardware verbetert, zouden vergelijkbare workflows de ontdekking van een breed scala aan geavanceerde materialen kunnen versnellen, van structurele legeringen voor voertuigen en schepen tot gespecialiseerde coatings die corrosie in extreme omgevingen weerstaan.

Bronvermelding: 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

Trefwoorden: quantum-annealing, machine learning, hoog-entropylegeringen, materialenontdekking, corrosiebestendigheid