.
Em um mundo onde as perdas econômicas anuais por corrosão ultrapassam 2,5 trilhões de dólares americanos, a busca por ligas resistentes à corrosão e revestimentos protetores é ininterrupta. A inteligência artificial (IA) está desempenhando um papel cada vez mais importante na concepção de novas ligas. No entanto, o poder preditivo dos modelos de IA em prever o comportamento da corrosão e sugerir fórmulas de ligas ideais permaneceu indefinido.
Cientistas do Max-Planck-Institut für Eisenforschung (MPIE) desenvolveram um modelo de aprendizado de máquina que aumenta a precisão preditiva em até 15% em comparação com as estruturas existentes. Este modelo revela composições de liga resistentes à corrosão novas, mas realistas. Seu poder distinto surge da fusão de dados numéricos e textuais. Inicialmente desenvolvido para o domínio crítico de resistência à corrosão por pite em ligas de alta resistência, a versatilidade deste modelo pode ser estendida a todas as propriedades da liga. Os pesquisadores publicaram seus últimos resultados na revista Avanços da Ciência.
Mesclando textos e números
“Cada liga tem propriedades únicas em relação à sua resistência à corrosão. Essas propriedades não dependem apenas da composição da liga em si, mas também do processo de fabricação da liga. Os modelos atuais de aprendizado de máquina só podem se beneficiar de dados numéricos. No entanto, metodologias de processamento e experimentos protocolos de teste, que são documentados principalmente por descritores textuais, são cruciais para explicar a corrosão,” explica Kasturi Narasimha Sasidhar, principal autor da publicação e ex-pesquisador de pós-doutorado no MPIE. A equipe de pesquisadores usou métodos de processamento de linguagem, semelhantes ao ChatGPT, em combinação com técnicas de aprendizado de máquina (ML) para dados numéricos e desenvolveu uma estrutura de processamento de linguagem natural totalmente automatizada. Além disso, envolver dados textuais na estrutura ML permite identificar composições de liga aprimoradas resistentes à corrosão por pite. “Treinamos o modelo de aprendizado profundo com dados intrínsecos que contêm informações sobre propriedades e composição de corrosão. Agora, o modelo é capaz de identificar composições de ligas críticas para a resistência à corrosão, mesmo que os elementos individuais não tenham sido alimentados inicialmente no modelo.” diz Michael Rohwerder, co-autor da publicação e chefe do grupo Corrosion no MPIE.
Ultrapassando os limites: mineração automatizada de dados e processamento de imagens
Na estrutura recentemente desenvolvida, Sasidhar e sua equipe aproveitaram os dados coletados manualmente como descritores textuais. Atualmente, seu objetivo é automatizar o processo de mineração de dados e integrá-lo perfeitamente à estrutura existente. A incorporação de imagens de microscopia marca outro marco, prevendo a próxima geração de estruturas de IA que convergem dados textuais, numéricos e baseados em imagens.
.
