Palabras clave
inteligencia artificial
metaheurísticas
redes neuronales artificiales
diseño computacional de materiales
Cómo citar
Resumen
El desarrollo de aleaciones metálicas avanzadas, como las aleaciones de alta entropía, requiere explorar millones de posibles combinaciones químicas, lo cual sería inviable mediante métodos tradicionales de prueba y error. Este artículo presenta un enfoque moderno y accesible que integra algoritmos genéticos y redes neuronales artificiales para acelerar el diseño de nuevos materiales metálicos. A través de herramientas computacionales, es posible identificar composiciones óptimas que combinan alta dureza, estabilidad térmica y estructuras atómicas simples como la cúbica centrada en el cuerpo. Se demuestra cómo estas tecnologías permiten avanzar de manera más eficiente hacia materiales aplicables en sectores críticos como el aeroespacial, la energía y la biomedicina.
Citas
Jonathan Zamora, Rafael G. Suarez, Marco Antonio Camacho-Peralta. Aleaciones de alta entropía: materiales emergentes con un futuro prometedor. Revista Materiales Avanzados 39: 104-113. https://revista.iim.unam.mx/index.php/materialesa_avanzados/article/view/18/22
Brien Cantor, Isaac Chang, Peter Knight, A.J.B. Vincent. Microstructural development in equiatomic multicomponent alloys. Materials Science and Engineering: A 375–377, 213-218, (2004). https://doi.org/10.1016/j.msea.2003.10.257
Michael C. Gao, Jien-Wei Yeh, Peter K. Liaw, Yong Zhang. High-Entropy Alloys: Fundamentals and Applications. Springer (2016) Pages 516.
Miracle D.B. High entropy alloys as a bold step forward in alloy development. Nature Communications 10, 1805, (2019). https://doi.org/10.1038/s41467-019-09700-1
Shuai Li, Shu Li, Dongrong Liu, Rui Zou, Zhiyuan Yang. Hardness prediction of high entropy alloys with machine learning and material descriptors selection by improved genetic algorithm. Computational Materials Science 205, (2022). https://doi.org/10.1016/j.commatsci.2022.111185
Jaemin Wang, Hyeonseok Kwon, Hyoung Seop Kim, Byeong-Joo Lee. A neural network model for high entropy alloy design. npj Computational Materials 9, 60 (2023). https://doi.org/10.1038/s41524-023-01010-x
Qingwei Guo, Xiaotao Xu, Xiaolong Pei, Zhiqiang Duan, Peter K. Liaw, Hua Hou, Yuhong Zhao. Predict the phase formation of high-entropy alloys by compositions. Journal of Materials Research and Technology 22, (2023). https://doi.org/10.1016/j.jmrt.2022.12.143
A. Monzamodeth Román-Sedano, V. Aranda, E. Hernández-Mecinas, S. Espinosa-Rangel, J. Villalobos, I.A. Figueroa, G. González. Accelerated computational design of BCC refractory high entropy alloys using metaheuristics, CALPHAD, and artificial neural networks. Materials Today Communications 47, (2025). https://doi.org/10.1016/j.mtcomm.2025.113102
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2026 Universidad Nacional Autónoma de México