انقلاب هوش مصنوعی در متالورژی: از پیش‌بینی اتمی تا تولید فولاد

هوش مصنوعی اکنون به عنوان یک متالورژیست پیشرفته، فرآیند کشف آلیاژهای فولادی را متحول کرده است. سیستم جی‌نام توسعه‌یافته توسط گوگل دیپ‌مایند توانست ساختار کریستالی بالغ بر 2.2 میلیون ترکیب شیمیایی جدید را پیش‌بینی کند که 380 هزار مورد آن از نظر ترمودینامیکی پایدار هستند. این دستاورد معادل 800 برابر کل کشفیات تجربی بشر در دو قرن اخیر است. فناوری‌های یادگیری ماشین زمان تحقیق و توسعه را از سال‌ها به ماه‌ها کاهش داده و امکان طراحی فولادهایی با استحکام فوق‌العاده و مقاومت حرارتی بالا را فراهم کرده‌اند.

گذر از متالورژی سنتی به محاسبات هوشمند

گوگل دیپ‌مایند در سال 2023 با معرفی سیستم جی‌نام، جهشی بی‌سابقه در علم مواد ایجاد کرد. این هوش مصنوعی موفق شد ساختار کریستالی میلیون‌ها ترکیب شیمیایی را شناسایی کند. این اقدام، زمان توسعه آلیاژهای تجاری را به‌طور چشمگیری کاهش می‌دهد. در روش‌های سنتی، طراحی و تایید یک آلیاژ جدید معمولاً بین 10 تا 20 سال زمان می‌برد و هزینه‌ای نزدیک به 100 میلیون دلار به شرکت‌ها تحمیل می‌کرد. اکنون سیستم‌های مبتنی بر یادگیری ماشین این بازه زمانی را به کمتر از 18 ماه کاهش داده‌اند. این تغییر سرعت، یک مزیت رقابتی استراتژیک برای کشورها و شرکت‌های پیشرو در صنعت فولاد ایجاد می‌کند.

معماری شبکه‌های عصبی و دقت در پیش‌بینی اتمی

معماری فنی این سیستم‌ها بر پایه شبکه‌های عصبی گرافی بنا شده است. این شبکه ها قادر هستند روابط اتمی را در فضای سه‌بعدی با دقت زیر 1 پیکومتر مدل‌سازی کنند. سیستم‌ها با آموزش بر روی پایگاه داده متریالز پروژکت که شامل بیش از 150 هزار ترکیب شناخته‌شده است، یاد گرفته‌اند انرژی تشکیل و پایداری فازی مواد را پیش‌بینی کنند. دقت این پیش‌بینی‌ها در مقایسه با محاسبات نظریه تابعی چگالی، به عنوان استاندارد طلایی علم مواد، در بسیاری از موارد به بالای 92 درصد رسیده است. این سطح از دقت، مهندسان را قادر می‌سازد تا پیش از انجام هرگونه آزمایش فیزیکی، خواص الکترونیکی و مکانیکی مواد را ارزیابی کنند.

رکوردشکنی در خواص مکانیکی و مقاومت خوردگی

فناوری‌های نوین دستاوردهای کمّی ملموسی در صنعت فولاد داشته‌اند. پروژه مشترک دانشگاه ام‌آی‌تی و شرکت آرسلورمیتال در سال 2022 از الگوریتم‌های یادگیری تقویتی برای طراحی یک آلیاژ مارتنزیتی بهره برد. استحکام کششی این آلیاژ به 2.5 گیگاپاسکال رسید و چقرمگی شکست آن 30 درصد نسبت به نمونه‌های مرسوم بهبود یافت. همزمان، تیم تحقیقاتی دانشگاه کارنگی ملون با استفاده از مدل‌های پیش‌بینی ترکیبی، فولادی با مقاومت فوق‌العاده در برابر خوردگی طراحی کرد. نرخ خوردگی این آلیاژ در محیط‌های کلریدی با غلظت 3.5 درصد، به کمتر از 0.01 میلی‌متر در سال کاهش یافت. این عملکرد پیش از این تنها در آلیاژهای پرهزینه پایه نیکل دیده می‌شد.

دستیابی به استحکام حرارتی برای صنایع هوافضا

طراحی آلیاژهای مقاوم در دماهای بالا یکی از چالش‌های اصلی حوزه هوافضاست. فولادهای سنتی در دماهای بالای 600 درجه سانتی‌گراد دچار افت شدید استحکام می‌شوند. سیستم‌های هوش مصنوعی با بهینه‌سازی ترکیبات آلیاژی شامل کروم، مولیبدن، وانادیم و تنگستن، توانسته‌اند راهکارهای جدیدی ارائه دهند. این آلیاژهای پیشنهادی می‌توانند استحکام تسلیم خود را در دمای 800 درجه سانتی‌گراد بالای 500 مگاپاسکال حفظ کنند. چنین سطحی از عملکرد، استفاده از این فولادها را در پره‌های توربین‌های گازی نسل بعد که در دماهای ورودی بالای 1400 درجه سانتی‌گراد کار می‌کنند، ممکن می‌سازد.

چالش‌های مقیاس‌پذیری و پارادایم جدید طراحی

با وجود موفقیت‌های محاسباتی، فاصله میان پیش‌بینی آزمایشگاهی و تولید صنعتی همچنان یک چالش جدی باقی مانده است. از میان ترکیبات شناسایی شده توسط جی‌نام، تنها 736 مورد تاکنون در آزمایشگاه سنتز و تایید شده‌اند. مشکل اصلی در مقیاس‌پذیری است؛ آلیاژی که در نمونه‌های آزمایشگاهی 10 گرمی خواص استثنایی دارد، ممکن است در ریخته‌گری صنعتی 10 تنی رفتار متفاوتی نشان دهد. این شکاف نقش متالورژیست‌های تجربی را متحول کرده است. آن‌ها اکنون انرژی خود را بر حل مسائل فرآیندی و چالش‌های ریخته‌گری متمرکز کرده‌اند. این رویکرد، علم مواد را از یک دانش توصیفی به یک مهندسی پیش‌بینانه تبدیل کرده است.

***

بازار جهانی فولادهای پیشرفته در سال 2023 به ارزش 185 میلیارد دلار رسید و پیش‌بینی می‌شود تا سال 2030 با نرخ رشد مرکب سالانه 7.4 درصد به 300 میلیارد دلار برسد. کشوری که بتواند چرخه توسعه آلیاژ را از 15 سال به 18 ماه کاهش دهد، در هر دوره ده‌ساله، عملاً 6 نسل فناوری جلوتر از رقبای خود حرکت می‌کند. این مزیت در صنایع دفاعی که به فولادهای زره‌ای با سختی بالای 600 برینل نیاز دارند، نقشی حیاتی ایفا می‌کند. همچنین در صنعت خودروسازی، کاهش هر 100 کیلوگرم وزن خودرو، مصرف سوخت را 6 تا 8 درصد بهبود می‌بخشد. پارادایم «طراحی معکوس» که در آن مهندس مشخصات عملکردی را تعریف می‌کند و هوش مصنوعی ترکیب شیمیایی را می‌یابد، مرز میان کشف و اختراع را برای همیشه جابه‌جا کرده است.