Quantum-annealed maskininlärning upptäcker duktil, högstyrka och korrosionsbeständig högentropialloy

Varför detta är viktigt för framtidens material

Från lättare bilar och fartyg till mer hållbara medicinska instrument bygger modern teknik på metaller som samtidigt kan vara starka, flexibla och korrosionsresistenta. Att hitta sådana ”drömlegeringar” går emellertid långsamt, eftersom forskare måste söka i ett enormt utrymme av möjliga blandningar med begränsade och ofta brusiga data. Denna artikel visar hur en form av kvantdatorer, kallad kvantannealing, kan samarbeta med maskininlärning för att navigera den här sökningen mer effektivt, och den demonstrerar tillvägagångssättet genom att designa och testa en ny högentropialloy som både är seg och stark samt mycket korrosionsbeständig.

Söka efter nålar i en metall-höstack

Traditionella legeringar bygger på ett eller två huvudämnen, medan högentropialloyer blandar fyra eller fler element i liknande andelar och öppnar upp för en enorm variation av möjliga strukturer och egenskaper. Denna frihet har dock ett pris: antalet sammansättningar växer explosionsartat och detaljerade fysikaliska simuleringar för varje kandidat är alltför långsamma. Datadrivna modeller kan hjälpa, men tillgängliga experimentella data är glesa och inkonsekventa, vilket gör det lätt för komplexa modeller att "överlära" dataens särdrag istället för den bakomliggande fysiken. Att välja rätt indata‑beskrivare, justera modellkomplexitet och skära bort onödiga delar av en modell blir svåra optimeringsproblem där klassiska algoritmer ofta fastnar i någonting som är tillräckligt bra snarare än verkligt utmärkt.

Låta kvantfysiken styra algoritmerna

Kvantannealing tar sig an sådana problem genom att omformulera dem som energilandskap: varje möjlig val av modellfunktioner, parametrar eller kopplingar motsvarar en fördelning av kvantspinn, och den bästa lösningen ligger i den lägsta energin. Eftersom kvantsystem kan utforska många konfigurationer åt gången och tunnelera genom tunna energibarriärer kan de undkomma lokala fällor som fångar klassiska algoritmer. I detta arbete bygger författarna ett "kvant‑assisterat maskininlärnings" (QaML) ramverk som översätter flera nyckelsteg — urval av beskrivare, träning av support‑vector‑modeller och beskärning av neurala nätverk — till en gemensam kvadratisk binär form lämpad för kvantannealers. De kombinerar detta med ett smart batchningsschema så att stora mängder beskrivare kan hanteras även på dagens kvantapparater med begränsad storlek.

Från data till en lovande ny legering

Med dessa verktyg i hand fokuserade teamet på högentropialloyer byggda av aluminium, krom, järn, mangan och titan. Inom denna familj sökte de enkelfasiga kroppcentrerade kubiska legeringar som var lätta, starka och motståndskraftiga mot korrosion i hårda, sura och salta miljöer. Fysikbaserade regler — såsom att kräva element som är kända för att bilda skyddande ytskikt och att undvika kombinationer benägna att bilda instabila oxider — begränsade sökrymden. Kvantassisterat urval av funktioner identifierade en liten uppsättning meningsfulla beskrivare för två uppgifter: en klassificeringsmodell som förutspår om en legering kommer att deformeras spröd eller duktilt, och en regressionsmodell som uppskattar flytgräns. Kvantoptimerade neurala nätverk och support‑vector‑maskiner tränades sedan på kuraterade experimentella data. Noterbart är att nätverk som beskurits med kvantannealing generaliserade bättre än de som beskurits med klassiska metoder, även när den klassiska lösaren hittade något lägre numeriska kostnadsvärden, vilket tyder på att kvanttillvägagångssättet tenderar att favorisera bredare, mer stabila regioner i lösningslandskapet.

Sätta förutsägelsen på prov

Med hjälp av denna integrerade filtreringspipeline pekade ramverket ut en särskild sammansättning, Al8Cr38Fe50Mn2Ti2 (i atprocent), som särskilt lovande. Beräkningar föreslog att den skulle bilda en enkel enkelfasstruktur med hög duktilitet, hög styrka, relativt låg densitet och god korrosionsprestanda. Forskarna syntetiserade legeringen och bekräftade att den kristalliserar i den önskade strukturen med enhetlig elementfördelning. Kompressionstester visade en 0,2% flytgräns på 568 megapascal och mer än 40% töjning utan brott — vilket indikerar betydande seghet. Korrosionstester i sura kloridlösningar visade att dess passiva film förblir stabil vid högre potentialer och uppvisar nästan en storleksordning lägre kritisk strömtäthet än konventionellt 304‑rostfritt stål, vilket antyder en mer skyddande och längre varaktig yta.

En ny väg för smartare legeringsdesign

I daglig bemärkelse visar denna studie att kvantförstärkta algoritmer kan hjälpa forskare att sålla igenom förbluffande stora designrymder för att hitta metallrecept som är både starka och långlivade, även när endast måttliga mängder experimentella data finns. Genom att bekräfta den förutspådda prestandan hos en specifik högentropialloy i laboratoriet förflyttar arbetet kvantannealing från en teoretisk kuriositet till ett praktiskt verktyg inom materialdesign. När kvantmaskinvaran förbättras kan liknande arbetsflöden påskynda upptäckten av en bred rad avancerade material, från konstruktionslegeringar för fordon och fartyg till specialiserade beläggningar som motstår korrosion i extrema miljöer.

Citering: 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

Nyckelord: kvantannealing, maskininlärning, högentropialloyer, materialupptäckt, korrosionsbeständighet