Kuantum tavlama tabanlı makine öğrenimi, sünek, yüksek mukavemetli ve korozyona dayanıklı yüksek entropili alaşım keşfediyor

Geleceğin Malzemeleri İçin Neden Önemli

Daha hafif otomobiller ve gemilerden daha dayanıklı tıbbi cihazlara kadar modern teknoloji, aynı anda güçlü, esnek ve korozyona dayanıklı olabilen metallere dayanır. Ancak böyle “ideal alaşımları” keşfetmek son derece yavaştır; çünkü araştırmacılar sınırlı ve çoğunlukla gürültülü verilerle muazzam bir karışım alanında arama yapmak zorundadır. Bu makale, kuantum tavlama adı verilen bir kuantum hesaplama biçiminin makine öğrenimiyle birlikte bu aramayı daha verimli şekilde yönlendirebileceğini gösteriyor ve yaklaşımı, hem sünek hem de korozyona karşı yüksek direnç gösteren yeni bir yüksek‑entropili alaşımı tasarlayıp test ederek doğruluyor.

Metallik Bir Kırıkta İğne Aramak

Geleneksel alaşımlar bir veya iki ana element etrafında kurulur; oysa yüksek‑entropili alaşımlar dört veya daha fazla elementi benzer oranlarda karıştırarak çok geniş bir olası yapı ve özellik yelpazesi açar. Bu özgürlük bir bedel getirir: bileşim sayısı patlayıcı biçimde artar ve her aday için ayrıntılı fizik simülasyonları çok yavaş kalır. Veri odaklı modeller yardımcı olabilir, ancak mevcut deneysel veriler seyrek ve tutarsızdır; bu da karmaşık modellerin alttaki fizik yerine verinin tuhaflıklarını “aşırı öğrenmesini” kolaylaştırır. Doğru giriş betimleyicilerini seçmek, model karmaşıklığını ayarlamak ve işe yaramayan parçaları budamak, klasik algoritmaların çoğunlukla sadece iyi, gerçekten mükemmel olmayan çözümlerde takıldığı zor optimizasyon problemleri haline gelir.

Kuantum Fiziğinin Algoritmaları Yönlendirmesine İzin Vermek

Kuantum tavlama, bu tür problemleri enerji peyzajı olarak yeniden ifade ederek ele alır: model özellikleri, parametreleri veya bağlantılarının her olası seçimi bir kuantum spin dizilimine karşılık gelir ve en iyi çözüm en düşük enerjidedir. Kuantum sistemleri birçok konfigürasyonu aynı anda keşfedebildiği ve ince enerji bariyerlerinden tünelleyebildiği için, klasik algoritmaların düşebildiği yerel tuzaklardan kaçabilirler. Bu çalışmada yazarlar, birkaç ana adımı—betimleyici seçimi, destek vektör modellerinin eğitimi ve sinir ağlarının budanması—kuantum tavlayıcılar için uygun ortak ikili kuadratik forma çeviren “kuantum‑destekli makine öğrenimi” (QaML) çerçevesi kuruyorlar. Bunu, günümüzün sınırlı boyutlu kuantum cihazlarında bile büyük betimleyici setlerinin işlenmesine olanak veren zeki bir toplu işlemleme (batching) düzeni ile birleştiriyorlar.

Veriden Umut Vaat Eden Yeni Bir Alaşıma

Bu araçlarla donanmış ekip, alüminyum, krom, demir, manganez ve titanyumdan oluşan yüksek‑entropili alaşımlara odaklandı. Bu aile içinde hafif, güçlü ve asidik, tuzlu gibi zorlu ortamlarda korozyona dayanıklı tek fazlı gövde merkezli kübik alaşımlar aradılar. Koruyucu yüzey filmleri oluşturmaya eğilimli elementlerin gerekliliği ve kararsız oksitler oluşturma eğilimindeki kombinasyonlardan kaçınma gibi fizik‑temelli kurallar alanı daralttı. Kuantum‑destekli özellik seçimi, iki görev için anlamlı küçük bir betimleyici kümesi belirledi: bir alaşımın gevrek mi yoksa sünek mi deforme olacağını tahmin eden sınıflandırma modeli ve akma mukavemetini tahmin eden regresyon modeli. Kuantumla optimize edilmiş sinir ağları ve destek vektör makineleri özenle derlenmiş deneysel veriler üzerinde eğitildi. Özellikle, kuantum tavlama kullanılarak budanan ağlar klasik yöntemlerle budananlara kıyasla daha iyi genelleşti; klasik çözücünün sayısal maliyet değerlerini biraz daha düşük bulduğu durumlarda bile bu gözlendi, bu da kuantum yaklaşımının çözüm peyzajında daha geniş, daha kararlı bölgeleri tercih etme eğiliminde olduğunu düşündürüyor.

Tahmini Teste Koymak

Bu entegre tarama hattını kullanarak çerçeve, özellikle umut verici bir bileşim olarak Al8Cr38Fe50Mn2Ti2 (atomik yüzde olarak) belirledi. Hesaplamalar, basit tek fazlı bir yapı oluşturması, yüksek süneklik, yüksek mukavemet, nispeten düşük yoğunluk ve iyi korozyon performansı göstermesi gerektiğini öne sürdü. Araştırmacılar alaşımı sentezleyip istenen yapıda kristalleştiğini ve elementlerin homojen dağıldığını doğruladılar. Sıkıştırma testleri 0,2% akma mukavemetinin 568 megapaskal olduğunu ve kırılma olmadan %40’tan fazla uzama gösterdiğini ortaya koydu—bu önemli bir tokluğa işaret ediyor. Asidik klorür çözeltilerindeki korozyon testleri, pasif filmin daha yüksek potansiyellere kadar stabil kaldığını ve konvansiyonel 304 paslanmaz çeliğe kıyasla kritik akım yoğunluğunun yaklaşık bir mertebe daha düşük olduğunu gösterdi; bu da daha koruyucu ve daha uzun ömürlü bir yüzey anlamına geliyor.

Daha Akıllı Alaşım Tasarımı İçin Yeni Bir Yol

Günlük ifadeyle, bu çalışma kuantum‑geliştirilmiş algoritmaların, yalnızca sınırlı miktarda deneysel veri bulunduğunda bile, inanılmaz derecede büyük tasarım alanlarını eleyip hem güçlü hem de uzun ömürlü metal reçeteleri bulmada bilim insanlarına yardımcı olabileceğini gösteriyor. Laboratuvarda belirli bir yüksek‑entropili alaşımın öngörülen performansını doğrulayarak çalışma, kuantum tavlamayı teorik bir meraktan malzeme tasarımında pratik bir araca taşıyor. Kuantum donanımı geliştikçe, benzer iş akışları taşıt ve gemi yapısal alaşımlarından aşırı ortamlarda korozyona dayanıklı özel kaplamalara kadar geniş bir gelişmiş malzeme yelpazesinde keşfi hızlandırabilir.

Atıf: 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

Anahtar kelimeler: kuantum tavlama, makine öğrenimi, yüksek entropili alaşımlar, malzeme keşfi, korozyon direnci