Machine learning para la determinación de estructuras estables en aleaciones TixTa1−x

Abstract

El diseño de aleaciones ha sido crucial para los avances tecnológicos en nuestra sociedad. En particular, las aleaciones de Titanio y Tántalo, que son las investigadas en este trabajo, han atraído la atención de la industria médica al presentarse como materiales de alta biocompatibilidad. El problema de encontrar la configuración más estable en una aleación, a medida que aumentamos el número de impurezas, se vuelve inviable de resolver mediante el enfoque de aplicar simulaciones de dinámica molecular a todo espacio de configuraciones, ya que este crece exponencialmente con el número de impurezas. Con el enfoque propuesto en este trabajo, el costo computacional se ve abruptamente reducido, manteniendo constante el requerimiento de simuladores de dinámica molecular cuando se aumenta el número de impurezas. Para lograr esto, ocupamos técnicas de Machine Learning para investigar las relaciones que hay entre la geometría de una configuración de la aleación de Titanio-Tántalo y su energía, logrando la predicción de las configuraciones más estables en función del número de impurezas, al encontrar los parámetros geométricos que minimizan la energía de sistema.