La IA halla una forma más barata de imprimir una aleación de la NASA

Investigadores de la Universidad Estatal de Washington emplearon un sistema de inteligencia artificial para explorar más de 100 millones de configuraciones posibles de impresión 3D de GRCop-42, una aleación de cobre que la NASA desarrolló para piezas de motores de cohete, y hallaron seis ajustes que funcionan en máquinas comerciales corrientes, incluido por primera vez uno a 500 vatios de potencia láser.

GRCop-42, una aleación de cobre, cromo y niobio, fue diseñada por la NASA para las piezas de un motor de cohete que deben hacer dos cosas contradictorias a la vez: resistir un calor extremo y evacuarlo con rapidez. Sus usos típicos son los revestimientos de cámaras de combustión y las placas frontales de los inyectores de combustible, y la familia de aleaciones ya ha volado: los motores impresos en 3D de Relativity Space emplearon aleaciones GRCop de la NASA. El problema siempre estuvo en la fabricación. Imprimirla bien exige normalmente una potencia láser muy alta, y por eso, en palabras del profesor de informática de la WSU Jana Doppa, "el noventa por ciento de las impresoras comerciales no puede imprimir esta aleación metálica."

Lo que convierte esto en un resultado de IA más que de metalurgia es la forma del problema de búsqueda. Las combinaciones de potencia láser, velocidad de barrido, espesor de capa y demás parámetros superan los 100 millones, y cada candidata debe imprimirse físicamente antes de saber si funciona: una prueba lenta y costosa. El equipo partió de 37 configuraciones que ya habían fallado, construyó un modelo que estimaba las probabilidades de éxito de las no probadas y le hizo proponer lotes pequeños que equilibraban deliberadamente dos objetivos: probar ajustes prometedores y sondear zonas inciertas para afinar el propio modelo.

El presupuesto fue de 40 experimentos a lo largo de unos tres meses, de los que salieron seis configuraciones viables a distintos niveles de potencia láser. La ganancia no es una aleación mejor, sino una vía más barata hacia la misma: menos potencia significa menos energía, menos desgaste del equipo y menores costes de posprocesado y, en el punto que subraya Doppa, acceso para universidades, laboratorios pequeños y empresas que nunca dispusieron de las máquinas especializadas de alta potencia.

El trabajo se publicó en las Actas de la Conferencia AAAI sobre Inteligencia Artificial y recibió el Premio a la Aplicación Innovadora Desplegada de esa conferencia. Doppa dirigió el equipo junto a Azza Fadhel, Nathaniel Zuckschwerdt, Susmita Bose y Amit Bandyopadhyay en la WSU, además de Aryan Deshwal en la Universidad de Minnesota.