Uczenie maszynowe z użyciem kwantowego wyżarzania odkrywa plastyczną, wytrzymałą i odporną na korozję stop o wysokiej entropii

Dlaczego ma to znaczenie dla przyszłych materiałów

Od lżejszych samochodów i statków po trwalsze urządzenia medyczne — nowoczesna technologia opiera się na metalach, które jednocześnie mogą być mocne, elastyczne i odporne na korozję. Tymczasem odkrywanie takich „wymarzonych stopów” jest niezwykle powolne, ponieważ naukowcy muszą przeszukiwać ogromną przestrzeń możliwych mieszanek, dysponując ograniczonymi i często zaszumionymi danymi. W artykule pokazano, jak forma obliczeń kwantowych zwana kwantowym wyżarzaniem może współpracować z uczeniem maszynowym, by wydajniej poruszać się po tym poszukiwaniu, i demonstrują podejście przez zaprojektowanie oraz przetestowanie nowego stopu o wysokiej entropii, który jest jednocześnie wytrzymały i wysoce odporny na korozję.

Szukanie igieł w metalowej stogu siana

Tradycyjne stopy opierają się na jednym lub dwóch głównych pierwiastkach, podczas gdy stopy o wysokiej entropii mieszają cztery lub więcej pierwiastków w podobnych proporcjach, odblokowując ogromną różnorodność możliwych struktur i właściwości. Ta swoboda ma jednak swoją cenę: liczba kompozycji rośnie wykładniczo, a szczegółowe symulacje fizyczne dla każdego kandydata są zbyt powolne. Modele oparte na danych mogą pomóc, ale dostępne dane eksperymentalne są skąpe i niespójne, co sprawia, że złożone modele łatwo „przeuczają się” na przypadkowych cechach danych zamiast uchwycić leżące u ich podstaw prawa fizyki. Wybór właściwych deskryptorów wejściowych, dostrojenie złożoności modelu i odcinanie nieprzydatnych części stają się trudnymi problemami optymalizacyjnymi, w których klasyczne algorytmy często ugrzęźną w rozwiązaniach dobrych, lecz nie rzeczywiście doskonałych.

Pozwalając fizyce kwantowej prowadzić algorytmy

Kwantowe wyżarzanie radzi sobie z takimi problemami, przekształcając je w krajobrazy energetyczne: każdy możliwy wybór cech modelu, parametrów lub połączeń odpowiada konfiguracji spinów kwantowych, a najlepsze rozwiązanie leży w najniższej energii. Ponieważ układy kwantowe mogą jednocześnie eksplorować wiele konfiguracji i tunelować przez cienkie bariery energetyczne, mogą wydostać się z lokalnych pułapek, które łapią algorytmy klasyczne. W tej pracy autorzy zbudowali ramy „kwantowo‑wspomaganego uczenia maszynowego” (QaML), które tłumaczą kilka kluczowych kroków — wybór deskryptorów, trenowanie modeli typu support‑vector oraz przycinanie sieci neuronowych — do wspólnej kwadratowej formy binarnej odpowiedniej dla kwantowych wyżarzaczy. Połączyli to z pomysłowym schematem partiowania, dzięki któremu duże zbiory deskryptorów można obsłużyć nawet na dzisiejszych urządzeniach kwantowych o ograniczonych rozmiarach.

Z danych do obiecującego nowego stopu

Wyposażony w te narzędzia zespół skoncentrował się na stopach o wysokiej entropii z aluminium, chromu, żelaza, manganu i tytanu. W ramach tej rodziny poszukiwano jednofazowych stopów o strukturze centrowanej w przestrzeni sześciennej (BCC), które byłyby lekkie, wytrzymałe i odporne na korozję w agresywnych, kwaśnych, słonych środowiskach. Zawęziły przestrzeń reguły oparte na fizyce — na przykład wymaganie obecności pierwiastków znanych z tworzenia ochronnych filmów powierzchniowych oraz unikanie kombinacji podatnych na niestabilne tlenki. Kwantowo wspomagany wybór cech wskazał mały zestaw znaczących deskryptorów dla dwóch zadań: modelu klasyfikacyjnego przewidującego, czy stop będzie odkształcał się krucho, czy plastycznie, oraz modelu regresyjnego szacującego granicę plastyczności. Następnie trenowano kwantowo zoptymalizowane sieci neuronowe i maszyny wektorów nośnych na starannie wyselekcjonowanych danych eksperymentalnych. Co istotne, sieci przycinane z użyciem kwantowego wyżarzania uogólniały lepiej niż te przycinane metodami klasycznymi, nawet gdy klasyczny solver znajdował nieco niższe wartości kosztu numerycznego, co sugeruje, że podejście kwantowe skłania się ku szerszym, bardziej stabilnym rejonom krajobrazu rozwiązań.

Sprawdzenie przewidywania w praktyce

Wykorzystując tę zintegrowaną ścieżkę przesiewową, ramy wyodrębniły konkretną kompozycję, Al8Cr38Fe50Mn2Ti2 (w procentach atomowych), jako szczególnie obiecującą. Obliczenia sugerowały, że powinna tworzyć prostą jednofazową strukturę o dużej plastyczności, wysokiej wytrzymałości, stosunkowo niskiej gęstości i dobrej odporności na korozję. Badacze zsyntezowali stop i potwierdzili, że krystalizuje on w pożądanej strukturze z jednolitym rozmieszczeniem pierwiastków. Próby ściskania wykazały granicę plastyczności 0,2% na poziomie 568 megapaskali oraz ponad 40% odkształcenia bez pęknięcia — co wskazuje na znaczną udarność. Testy korozji w kwaśnych roztworach chlorków wykazały, że jego film pasywny pozostaje stabilny przy wyższych potencjałach i wykazuje niemal rząd wielkości niższą krytyczną gęstość prądu niż konwencjonalna stal nierdzewna 304, co sugeruje bardziej ochronną i dłużej trwałą powierzchnię.

Nowa ścieżka do inteligentniejszego projektowania stopów

W praktycznym ujęciu badanie pokazuje, że algorytmy wzbogacone o komponenty kwantowe mogą pomóc naukowcom przesiać oszałamiająco duże przestrzenie projektowe, by znaleźć receptury metalowe jednocześnie mocne i długowieczne, nawet gdy dostępne są tylko skromne ilości danych eksperymentalnych. Potwierdzając przewidywane właściwości konkretnego stopu o wysokiej entropii w laboratorium, praca przesuwa kwantowe wyżarzanie z poziomu teoretycznej ciekawostki do praktycznego narzędzia w projektowaniu materiałów. W miarę jak sprzęt kwantowy będzie się poprawiać, podobne przepływy pracy mogą przyspieszyć odkrywanie szerokiego spektrum zaawansowanych materiałów — od stopów konstrukcyjnych dla pojazdów i statków po specjalistyczne powłoki odporne na korozję w ekstremalnych warunkach.

Cytowanie: 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

Słowa kluczowe: kwantowe wyżarzanie, uczenie maszynowe, stopy o wysokiej entropii, odkrywanie materiałów, odporność na korozję