La IA busca 100 millones de caminos para perfeccionar el metal de los cohetes

GRCop-42 es una aleación de cobre, cromo y niobio desarrollada en el Centro de Investigación Glenn de la NASA que puede soportar temperaturas aproximadamente un 40% por encima del límite de tensión de las aleaciones de cobre convencionales. Diseñado originalmente para cámaras de combustión más duraderas, el material se ha establecido desde hace mucho tiempo en los viajes espaciales comerciales. Cuando la empresa Relativity Space lanzó el Terran 1, el primer gran cohete fabricado casi íntegramente con impresión 3D, en marzo de 2023, los nueve motores de la primera etapa estaban fabricados exactamente con esta aleación. El problema está en el procesamiento: alrededor del 90 por ciento de los impresores de metales disponibles en el mercado hasta ahora no han podido procesar este difícil material, porque las aleaciones de cobre reflejan fuertemente la luz láser y solo se funden limpiamente en una ventana de proceso estrecha.

Cualquiera que quiera encontrar esta ventana se enfrenta a una tarea computacional abrumadora. En el proceso utilizado, una variante de la soldadura por deposición láser, la potencia del láser, la velocidad de avance y la alimentación del material determinan el resultado y sus gradaciones dan lugar a más de 100 millones de combinaciones posibles. Cada intento de impresión cuesta cientos de dólares, lleva varios días evaluarlo y, en la mayoría de los casos, termina como una pieza de metal inútil. Esto significa que no es posible realizar pruebas sistemáticas. El equipo de los departamentos de Ingeniería Eléctrica e Informática y de Ingeniería Mecánica y de Materiales de la Universidad Estatal de Washington tradujo el problema en una tarea de aprendizaje automático: ¿Cómo encontrar las pocas agujas en un pajar gigante con un presupuesto experimental mínimo?

Cómo aprendió la IA de 37 intentos fallidos

El punto de partida fue, sobre todo, una serie de fracasos. Los investigadores entrenaron su algoritmo con datos de 37 intentos de impresión previamente fallidos, informa la Universidad Estatal de Washington, y le permitieron descubrir qué regiones del enorme espacio de parámetros podrían ser prometedoras. Después de cada nuevo experimento, el sistema simplemente recibía información sobre el éxito o el fracaso y ajustaba sus predicciones en consecuencia. Esta forma de diseño experimental adaptativo se considera particularmente difícil porque una señal binaria transporta poca información y las configuraciones exitosas son extremadamente raras. Luego, el algoritmo tuvo que aprender todo lo posible sobre el panorama oculto del éxito y el fracaso en el menor número de pruebas posible.

Seis éxitos con un presupuesto de 40 experimentos

El resultado superó las expectativas. En tres meses y con un presupuesto limitado de 40 experimentos, el sistema identificó seis configuraciones de trabajo con diferentes niveles de rendimiento. El mayor éxito se produjo en el extremo inferior: por primera vez, GRCop-42 se pudo imprimir con una potencia láser de sólo 500 vatios, un valor que nadie había considerado práctico hasta ahora. El equipo describe los detalles técnicos en un artículo especializado sobre el estudio, que apareció en las actas de la Conferencia AAAI sobre Inteligencia Artificial y recibió el premio a las Aplicaciones Prácticas Innovadoras. La baja potencia del láser es particularmente crucial porque abre el material a una amplia gama de sistemas comerciales comunes.

Qué significa este avance para los viajes espaciales

Hasta ahora, la impresión de metales para cohetes ha estado reservada a un pequeño número de empresas especializadas altamente equipadas, lo que ha encarecido los componentes y ha hecho vulnerables las cadenas de suministro. Si en el futuro las impresoras estándar también pueden procesar la aleación, los costes de las cámaras de combustión, las boquillas y otros componentes sujetos a estrés térmico extremo se reducirán significativamente, y las empresas más pequeñas tendrán acceso a un material que antes estaba reservado a las grandes empresas y agencias espaciales. Por tanto, los investigadores hablan de democratizar la impresión 3D del material. Al mismo tiempo, el trabajo muestra un ejemplo de cómo está evolucionando la fabricación aditiva en su conjunto: lejos de las costosas pruebas realizadas por ingenieros expertos, hacia sistemas de aprendizaje que exploran los límites físicos de un proceso a partir de unos pocos experimentos enfocados.

Un método para mucho más que solo metal

Según los autores, el verdadero propósito del estudio va más allá de los viajes espaciales. Su marco de IA se puede aplicar a otras aleaciones y sistemas de fabricación y, en principio, a cualquier problema en el que el éxito sea raro, el número de experimentos posibles sea astronómico y los intentos individuales sean costosos. Los investigadores citan como candidatos obvios la búsqueda de nuevos materiales industriales y el desarrollo de ingredientes activos en la investigación farmacéutica, donde los laboratorios también deben sopesar miles de millones de variantes moleculares concebibles frente a capacidades experimentales limitadas. Si el enfoque tuviera éxito, la impresora 3D de metal para cohetes habría allanado el camino hacia una visión mucho más general: el recurso más escaso en la investigación experimental no es la potencia de cálculo, sino el experimento real individual, y es precisamente aquí donde una inteligencia artificial bien entrenada ahorra más.