UQ-KGAT l’AI progetta contemporaneamente superleghe e parametri di stampa 3D

Un modello di intelligenza artificiale non cerca soltanto nuove leghe, ma anche il modo corretto di stamparle
Un gruppo internazionale di ricercatori guidato dalla Northeastern University di Shenyang, in Cina, ha sviluppato un metodo di machine learning capace di affrontare contemporaneamente due dei problemi più complessi della produzione additiva metallica: individuare la composizione chimica di una lega ad alte prestazioni e determinare le condizioni laser attraverso le quali quella stessa lega possa essere prodotta con quantità minime di cricche e porosità. Il framework, denominato UQ-KGAT, acronimo di Uncertainty-Quantified Knowledge-Informed Graph Attention Network, è stato descritto in uno studio pubblicato il 26 agosto 2026 su Nature Communications. Il lavoro coinvolge ricercatori della Northeastern University, A*STAR di Singapore, Institute of Metal Research della Chinese Academy of Sciences, TU Delft e Max Planck Institute for Sustainable Materials. La differenza rispetto a molti sistemi di AI applicati ai materiali è che il modello non viene lasciato libero di cercare correlazioni statistiche all’interno di enormi database: gli vengono fornite in partenza relazioni metallurgiche note tra composizione, parametri laser, termodinamica, solidificazione, formazione dei difetti, microstruttura e proprietà meccaniche. Questa struttura permette di lavorare con dataset molto più piccoli e contemporaneamente di evitare almeno parte delle soluzioni statisticamente plausibili ma fisicamente prive di senso che possono emergere da un normale algoritmo di machine learning. I ricercatori hanno validato l’approccio progettando e producendo realmente una nuova superlega al nichel, denominata KG-AMS, e applicando successivamente lo stesso principio a una nuova lega di alluminio per Laser Powder Bed Fusion, KG-AMAA. Il risultato è particolarmente significativo perché l’AI non propone soltanto la chimica del materiale: lega e processo vengono considerati come due parti dello stesso problema di progettazione.

Molte leghe utilizzate nella stampa 3D non sono mai state progettate per essere stampate
Gran parte dei materiali utilizzati oggi nel metal Additive Manufacturing deriva da leghe sviluppate decenni prima della diffusione di LPBF e Directed Energy Deposition. Inconel 718, Inconel 625, Ti-6Al-4V, acciai inossidabili e numerose leghe di alluminio sono nati pensando a fusione, forgiatura, laminazione, saldatura o lavorazioni convenzionali. Una stampante laser impone però al materiale condizioni metallurgiche completamente differenti: una quantità molto piccola di metallo viene fusa in tempi estremamente brevi e successivamente solidifica con gradienti termici elevatissimi; mentre la costruzione procede, gli strati già prodotti vengono sottoposti a numerosi nuovi cicli di riscaldamento e raffreddamento. Queste condizioni possono produrre segregazioni chimiche, tensioni residue, porosità, lack of fusion, keyholing e soprattutto cricche di solidificazione o di altro tipo. Una lega eccellente in forma forgiata può quindi risultare estremamente difficile da produrre additivamente. La soluzione utilizzata normalmente consiste nel modificare potenza del laser, velocità, hatch spacing, layer thickness, preriscaldamento e trattamenti termici finché si trova una finestra di processo sufficientemente stabile. Il nuovo lavoro propone di affrontare il problema dalla direzione opposta: se una lega è intrinsecamente poco compatibile con il processo laser, si può modificare anche la lega invece di costringere soltanto la macchina ad adattarsi al materiale.

La stampabilità diventa una proprietà da progettare insieme alla resistenza
La conseguenza è un cambiamento concettuale importante. Tradizionalmente una lega viene selezionata per proprietà come resistenza a trazione, creep, ossidazione, temperatura di esercizio o duttilità, mentre la possibilità di produrla viene affrontata successivamente. Nel nuovo approccio la printability entra direttamente nella funzione di ottimizzazione. Il materiale ideale non è quindi semplicemente quello con la massima resistenza teorica, ma quello che mantiene buone proprietà meccaniche e contemporaneamente attraversa il processo laser senza generare quantità critiche di cricche e pori. Questo equilibrio è particolarmente difficile nelle superleghe di nichel. Leghe relativamente facili da saldare e stampare, come Inconel 718 e 625, sono ampiamente diffuse nell’AM proprio grazie alla loro processabilità; molte superleghe con prestazioni superiori ad alta temperatura, come CM247LC, MAR-M247, Inconel 738 o 939, contengono invece sistemi di rafforzamento e quantità di elementi refrattari che possono aumentare la sensibilità alla criccatura. L’industria si trova quindi frequentemente davanti a un compromesso: stampare facilmente una lega con prestazioni più moderate oppure affrontare una qualifica complessa per un materiale più performante.

UQ-KGAT insegna all’AI quali relazioni metallurgiche hanno significato fisico
Il cuore del nuovo sistema è un knowledge graph. Le variabili non vengono presentate al modello come una semplice tabella di colonne indipendenti. Vengono organizzate secondo le relazioni conosciute dalla metallurgia fisica. La composizione influenza le temperature di trasformazione e la solidificazione; queste influenzano microstruttura e segregazione; il processo laser determina storia termica e melt pool; tutti questi elementi contribuiscono alla formazione dei difetti e alle proprietà finali. Il Graph Attention Network analizza quindi una rete di relazioni nella quale i collegamenti stessi possiedono un significato. Il meccanismo di attention permette inoltre al modello di attribuire un peso differente alle informazioni e identificare quali collegamenti risultino più importanti per una determinata previsione. È un approccio particolarmente utile nel materials science, dove molti dataset sperimentali sono piccoli ma il patrimonio di conoscenze fisiche accumulato in decenni di ricerca è enorme. Invece di chiedere all’algoritmo di riscoprire da solo tutta la metallurgia partendo da poche centinaia di righe di dati, una parte di quella conoscenza viene inserita direttamente nella struttura del problema.

La quantificazione dell’incertezza serve a impedire all’AI di essere troppo sicura di dati imperfetti
La sigla UQ indica Uncertainty Quantification ed è una parte fondamentale del metodo. Un dato sperimentale sulla porosità o sulle cricche non è necessariamente una rappresentazione perfetta dell’intero campione. Due sezioni metallografiche dello stesso pezzo possono mostrare quantità differenti di difetti; anche misure effettuate in condizioni nominalmente identiche possono produrre risultati leggermente diversi. Il framework distingue quindi la variabilità presente nei dati sperimentali dall’incertezza del modello stesso. I ricercatori utilizzano tecniche comprendenti heteroscedastic regression e Monte Carlo dropout per stimare queste componenti. L’algoritmo di ottimizzazione può così evitare di selezionare una composizione soltanto perché il valore previsto appare eccezionale se contemporaneamente l’incertezza associata alla previsione è molto elevata. È un punto importante per l’AI scientifica: un risultato di 0,01% di difetti previsto con scarsa affidabilità può essere meno interessante di uno 0,05% previsto con molta maggiore sicurezza.

La prima prova è particolarmente impegnativa: progettare una nuova superlega al nichel
Per dimostrare il metodo i ricercatori hanno scelto inizialmente superleghe al nichel prodotte mediante Laser Directed Energy Deposition, L-DED. Il dataset di partenza era sorprendentemente piccolo rispetto agli standard tipici del deep learning: appena 142 campioni provenienti da cinque leghe prodotti attraverso esperimenti interni. Ogni combinazione conteneva informazioni relative a materiale, condizioni di processo e difettosità. Un algoritmo genetico NSGA-II è stato quindi collegato al modello UQ-KGAT per effettuare inverse design. Il sistema non doveva soltanto prevedere che cosa sarebbe successo a una composizione già definita, ma cercare nello spazio delle possibili composizioni e dei parametri produttivi la combinazione più interessante. Da questa ricerca è emersa una nuova superlega al nichel denominata KG-AMS. La composizione completa non è stata divulgata nelle sintesi pubbliche disponibili e non è quindi opportuno dedurne la formulazione confrontandola con superleghe commerciali. L’aspetto essenziale è che il materiale è stato successivamente prodotto fisicamente e sottoposto a caratterizzazione: non si tratta quindi di una lega rimasta esclusivamente all’interno del computer.

KG-AMS viene stampata con L-DED raggiungendo livelli molto bassi di difetti
Le condizioni ottimizzate indicate nello studio si collocano intorno a 1.500 W di potenza laser e circa 10 mm/s di velocità di avanzamento. Con diverse condizioni sperimentali ottimizzate, i campioni KG-AMS hanno mostrato frazioni superficiali di difetti comprese indicativamente tra 0,037 e 0,133%. La tomografia a raggi X ha misurato una porosità di circa 0,038% nel campione migliore analizzato. Questi risultati sono importanti non soltanto per il valore assoluto, ma perché dimostrano che il modello è riuscito a produrre una combinazione materiale-processo effettivamente realizzabile. Il problema della stampabilità non viene quindi risolto esclusivamente introducendo una composizione teoricamente meno sensibile alla criccatura: vengono individuate contemporaneamente condizioni laser compatibili con quella composizione.

Le proprietà meccaniche rimangono elevate anche se la lega è stata ottimizzata per la stampabilità
Ridurre le cricche sarebbe poco utile se la conseguenza fosse ottenere una superlega meccanicamente mediocre. KG-AMS ha invece raggiunto valori di durezza compresi tra circa 391 e 417 HV. A temperatura ambiente le prove di trazione hanno fornito una resistenza ultima nell’ordine di 1.307 MPa accompagnata da un allungamento del 22,2%. A 900 °C la resistenza ultima misurata è stata di circa 655 MPa con allungamento del 7,5%. Sono risultati sperimentali ottenuti nelle condizioni dello studio e non costituiscono ancora una scheda tecnica di un materiale industrialmente qualificato. Mancano infatti l’estesa caratterizzazione necessaria per definirne creep, low-cycle e high-cycle fatigue, fracture toughness, ossidazione a lungo termine e dispersione statistica tra lotti e macchine. Dimostrano però che il sistema non ha semplicemente sacrificato le prestazioni alla ricerca della facile stampabilità.

L’AI è stata utilizzata anche per capire perché la nuova lega funziona
Un altro elemento importante è il tentativo di rendere il risultato interpretabile. Analizzando il modello, i ricercatori hanno individuato una forte importanza dei fattori legati alla fase γ′, gamma prime, uno dei principali meccanismi di rafforzamento delle superleghe di nichel. La fase γ′ è generalmente costituita da precipitati ordinati coerenti con la matrice γ e può ostacolare il movimento delle dislocazioni, permettendo alle superleghe di mantenere resistenza a temperature elevate. La produzione additiva complica però questo sistema perché ogni regione della parte sperimenta una storia termica differente. Una fase di rafforzamento che precipita o si dissolve troppo rapidamente può generare microstrutture diverse nelle varie zone della build e contribuire anche a fenomeni di cracking. L’analisi UQ-KGAT indicava per KG-AMS una particolare stabilità del sistema γ/γ′ durante i cicli termici; i ricercatori hanno quindi verificato questa ipotesi attraverso tecniche sperimentali avanzate.

Atom Probe Tomography e neutron diffraction verificano l’ipotesi proposta dall’algoritmo
Sono state utilizzate Atom Probe Tomography e diffrazione neutronica per studiare la distribuzione degli elementi e il comportamento delle fasi. L’APT permette di ricostruire con risoluzione quasi atomica la distribuzione tridimensionale delle specie chimiche all’interno di piccolissimi volumi di materiale. La neutron diffraction permette invece di ottenere informazioni sulla struttura cristallina e sul comportamento delle fasi in volumi maggiori. I risultati hanno confermato una partizione degli elementi relativamente stabile tra matrice γ e precipitati γ′ e un basso lattice misfit tra le due strutture in differenti regioni del materiale. Questo passaggio è importante perché trasforma il machine learning da semplice strumento predittivo in un possibile strumento per mechanism mining: il modello non dice soltanto quale composizione provare, ma può suggerire quale fenomeno fisico potrebbe essere responsabile delle prestazioni osservate. L’ipotesi deve comunque essere verificata sperimentalmente, come è stato fatto in questo caso.

Il secondo test riguarda l’alluminio e un processo completamente diverso
Per dimostrare che UQ-KGAT non fosse efficace soltanto sulle superleghe al nichel prodotte attraverso L-DED, il team ha applicato la stessa filosofia a un dataset separato di leghe di alluminio prodotte tramite Laser Powder Bed Fusion. Il set comprendeva 163 esempi ricavati dalla letteratura. Da questo lavoro deriva KG-AMAA, una lega di alluminio progettata specificamente per combinare elevata densificazione e proprietà meccaniche. La ricerca su KG-AMAA era già stata descritta nel 2025 da alcuni degli stessi autori in Virtual and Physical Prototyping; lo studio Nature Communications del 2026 utilizza il caso dell’alluminio per dimostrare la trasferibilità della metodologia, aggiungendo la gestione dell’incertezza all’impianto più generale. Questa cronologia è importante: KG-AMAA non compare per la prima volta nel settembre 2026, ma rappresenta una precedente validazione sulla quale è stato costruito il framework più generale.

KG-AMAA utilizza contemporaneamente diversi meccanismi metallurgici
La composizione pubblicata del materiale contiene circa 4,41% Si, 2,63% Cu, 1,08% Sc, 0,40% Zn, 0,11% Mg, 0,25% Ni, 0,20% Fe, 0,47% Mn e una quantità molto ridotta di Zr, con alluminio a bilancio. Questa formulazione è molto differente dall’approccio tradizionale delle famiglie commerciali 2xxx, 6xxx o 7xxx. I ricercatori hanno progettato contemporaneamente diversi sistemi di precipitazione: Al3Sc favorisce la nucleazione e la formazione di grani più equiassici, riducendo la tendenza alla crescita colonnare e alla criccatura; fasi eutettiche contenenti Al-Sc-Si e silicio contribuiscono alla solidificazione; Al2Cu partecipa invece principalmente al rafforzamento. Il materiale viene quindi progettato affinché gli elementi svolgano ruoli coordinati invece di massimizzare un singolo meccanismo.

La finestra LPBF di KG-AMAA risulta relativamente ampia
Durante la validazione sperimentale, la polvere della nuova lega è stata prodotta tramite atomizzazione a gas. La distribuzione granulometrica riportata comprende D10 di circa 16,85 µm, D50 di 35 µm e D90 di 55,4 µm. Nei test LPBF il team ha esplorato differenti combinazioni di potenza e velocità, ottenendo una regione nella quale la densità di difetti rimane inferiore allo 0,1%. La condizione indicata come ottimale è stata 350 W e 1.100 mm/s, con circa 0,03% di difetti. Un particolare interessante è che la lega è stata prodotta senza preriscaldare il substrato, mantenuto a circa 25 °C, mentre diverse leghe di alluminio ad alta resistenza richiedono temperature di base più elevate per ridurre la criccatura. Un’ampia process window può essere industrialmente più importante del singolo punto con il miglior risultato: una lega che funziona soltanto all’interno di una finestra estremamente stretta può diventare difficile da trasferire tra macchine o mantenere stabile durante lunghi periodi produttivi.

La densità relativa raggiunge il 99,96% e la durezza 128 HV
I campioni KG-AMAA hanno raggiunto una densità relativa media fino a circa 99,96% con una deviazione riportata di ±0,019%, accompagnata da durezza di circa 128,3 ±3,99 HV. Nello stato as-printed la precedente caratterizzazione del materiale ha indicato una resistenza allo snervamento di circa 287 MPa, una resistenza ultima di 454 MPa e un allungamento totale del 9,5%. Il risultato più interessante è ancora una volta il bilanciamento: densità elevata e bassa sensibilità alla criccatura vengono ottenute senza spostare il materiale verso una lega di alluminio estremamente morbida. I calcoli indicano un critical solidification range di circa 38,4 K, più stretto rispetto a diverse leghe tradizionali ad alta resistenza, elemento che contribuisce a ridurre la sensibilità all’hot cracking.

La generalizzazione tra nichel/L-DED e alluminio/LPBF è il risultato più importante dello studio
Una rete neurale può produrre risultati eccellenti perché si adatta particolarmente bene a un dataset specifico. Il test più convincente consiste quindi nel trasferire lo stesso principio a un problema diverso. Nel caso UQ-KGAT cambiano contemporaneamente famiglia metallurgica e tecnologia produttiva: superlega di nichel con L-DED da una parte, lega di alluminio con LPBF dall’altra. Il fatto che il framework continui a individuare candidati sperimentalmente stampabili indica che il knowledge graph contiene relazioni sufficientemente generali da non limitarsi a memorizzare un particolare processo. Non significa ancora che il sistema possa essere applicato senza modifiche a titanio, acciai, rame o metalli refrattari. Ogni famiglia dispone di meccanismi specifici, database differenti e diverse cause di difetto. Il risultato dimostra però che l’approccio merita di essere esteso.

Il vantaggio dei knowledge graph emerge proprio quando i dati sono pochi
Nel mondo dei Large Language Model si parla spesso di miliardi di esempi, ma il materials engineering dispone raramente di dataset di queste dimensioni. Una singola build LPBF può costare migliaia di euro e produrre decine di campioni; caratterizzare microstruttura, trazione, creep e fatica richiede ulteriore tempo e denaro. Per una nuova superlega potrebbe esistere una quantità molto limitata di dati pubblici. Questo rende difficile utilizzare modelli puramente data-driven senza rischio di overfitting. Il knowledge-guided machine learning tenta di compensare il problema aggiungendo informazione fisica. Il dato sperimentale continua a essere necessario, ma il sistema non deve imparare da zero che la composizione influenza la solidificazione o che determinate fasi influenzano la resistenza. In altre parole, il modello viene progettato per aver bisogno di meno esempi perché parte da una struttura concettuale migliore.

L’ottimizzazione genetica permette di cercare simultaneamente composizione e processo
Dopo la previsione entra in funzione NSGA-II, Non-dominated Sorting Genetic Algorithm II, un algoritmo genetico particolarmente utilizzato nei problemi multi-obiettivo. La metafora è quella dell’evoluzione: vengono generate combinazioni candidate, valutate, selezionate, combinate e modificate attraverso iterazioni successive. Non esiste necessariamente un unico optimum perché migliorare una proprietà può peggiorarne un’altra. Per una superlega può essere necessario minimizzare difetti e contemporaneamente massimizzare durezza o stabilità della γ′; per l’alluminio densità, durezza, cracking e altre proprietà possono essere in competizione. Il risultato è un fronte di soluzioni Pareto tra le quali il ricercatore può scegliere. L’aspetto innovativo consiste nel fatto che le variabili decisionali comprendono contemporaneamente chimica e parametri di processo: l’algoritmo non cerca prima una lega e successivamente come stamparla, ma un pacchetto materiale-processo.

Questo potrebbe cambiare anche il modo in cui i produttori vendono le polveri metalliche
Oggi una polvere viene normalmente commercializzata principalmente attraverso denominazione della lega, distribuzione granulometrica e specifiche chimiche. I parametri di stampa vengono sviluppati dal produttore della macchina, dal fornitore del materiale o dall’utilizzatore finale. La metodologia suggerisce invece un futuro nel quale un materiale potrebbe nascere direttamente insieme alla propria process window. La vera unità commerciale non sarebbe soltanto “questa è la lega X”, ma “questa è la composizione X progettata insieme alle condizioni di produzione Y per ottenere le proprietà Z”. Questa impostazione esiste già in parte negli ecosistemi chiusi dei principali produttori AM, dove macchina, materiale e parameter set vengono qualificati come combinazione. La differenza sarebbe portare questa logica a monte, nella progettazione stessa della chimica del materiale.

La ricerca si inserisce in una corsa più ampia verso le leghe progettate specificamente per AM
Il lavoro della Northeastern University non è isolato. Negli ultimi due anni sono comparsi numerosi framework che combinano simulazione, machine learning e metallurgia per sviluppare materiali nativi per la produzione additiva. Nel 2025 un gruppo ha presentato un framework high-throughput capace di integrare proprietà del materiale, parametri di processo e modelli termici per costruire printability map e individuare rischi di lack of fusion, balling e keyholing; un modello deep-learning surrogate permetteva di accelerare la valutazione computazionale di circa mille volte. Nello stesso periodo è comparso AlloyGPT, modello generativo dedicato alla previsione delle proprietà e all’inverse design di leghe additivamente producibili. Un lavoro pubblicato su Materials Today ha invece combinato simulazioni termodinamiche ad alto throughput e machine learning per progettare leghe specificamente orientate al comportamento AM. Nel 2026 altri gruppi stanno utilizzando Large Language Model, knowledge graph e active learning per sviluppare superleghe e ottimizzare processi costosi da sperimentare fisicamente. La direzione generale è chiara: una parte crescente dell’innovazione nel metal AM si sta spostando dall’hardware al co-design di materiale e processo.

L’AI non elimina CALPHAD, simulazione e metallurgia fisica: tende piuttosto a collegarle
È importante evitare l’idea che l’intelligenza artificiale renda obsolete le metodologie tradizionali di materials engineering. Nel caso KG-AMAA i risultati del modello sono stati verificati attraverso Thermo-Calc e il database TCAL6; sono state utilizzate simulazioni Scheil-Gulliver per analizzare la solidificazione non in equilibrio e sono state successivamente eseguite caratterizzazioni microstrutturali. Nel caso KG-AMS sono stati utilizzati APT e neutron diffraction. Il machine learning funziona quindi come uno strumento che decide dove guardare, mentre termodinamica ed esperimenti permettono di verificare perché il candidato dovrebbe funzionare. È probabilmente proprio questa integrazione a rendere l’approccio più credibile rispetto a un black-box model che restituisce semplicemente una percentuale chimica.

Rimane una grande distanza tra un campione riuscito e una lega industrialmente qualificata
Nonostante i risultati, KG-AMS e KG-AMAA non devono essere presentate come nuovi materiali commerciali già pronti a sostituire Inconel o leghe aerospace certificate. Una validazione accademica dimostra la fattibilità e alcune proprietà, ma una lega destinata a un componente critico deve attraversare un percorso molto più lungo. Servono ripetibilità tra lotti di polvere, macchine e operatori, comportamento su componenti di dimensioni reali, trattamenti termici, fatica, creep, corrosione o ossidazione, fracture toughness e dati statistici sufficienti per definire valori di progetto. Per aerospace e turbine possono essere necessari anni di qualifica. Anche la composizione deve poter essere prodotta industrialmente in polvere con caratteristiche ripetibili e costi accettabili. La presenza di scandio nella KG-AMAA, per esempio, contribuisce alle proprietà ma introduce anche considerazioni economiche perché Sc rimane un elemento relativamente costoso. Il sistema AI riduce quindi soprattutto il costo e il tempo della fase di discovery; non sostituisce qualificazione e certificazione.

Il prossimo salto sarà inserire più proprietà contemporaneamente nell’ottimizzazione
Nella realtà industriale una lega non viene selezionata soltanto perché è resistente e facile da stampare. Un componente di turbina deve resistere al creep e all’ossidazione; un componente aeronautico può richiedere fatica e damage tolerance; una lega di alluminio può dover essere resistente alla corrosione, saldabile e compatibile con determinati trattamenti. Aggiungere ogni requisito aumenta drasticamente la complessità dell’ottimizzazione. Gli stessi autori del precedente lavoro KG-AMAA indicavano come sviluppo futuro l’integrazione di più service properties e di una più ampia quantificazione dell’incertezza. UQ-KGAT rappresenta già un passo in quella direzione perché dimostra che l’incertezza può essere incorporata direttamente nella ricerca della soluzione. Il vero obiettivo potrebbe diventare non “progettare una lega stampabile”, ma “progettare una lega stampabile, resistente, economica, stabile e compatibile con il ciclo produttivo richiesto”.

La stampante potrebbe infine diventare parte del sistema di scoperta dei materiali
Se questi framework vengono collegati a sistemi di produzione e caratterizzazione automatizzati, il ciclo potrebbe chiudersi. L’AI propone una composizione e un set di parametri; un sistema produce piccoli campioni; strumenti automatici ne misurano densità, microstruttura e proprietà; i dati tornano al modello, che aggiorna le proprie previsioni e propone il prossimo esperimento. Si entra così nel campo degli autonomous materials laboratories. L’obiettivo non è sostituire il materials scientist, ma utilizzare macchina e algoritmo per esplorare sistematicamente uno spazio di composizioni impossibile da affrontare manualmente. Per l’Additive Manufacturing questo approccio è particolarmente naturale perché la stessa tecnologia utilizzata per produrre il componente permette di modificare rapidamente condizioni di processo e, attraverso DED o miscelazione di polveri, potenzialmente anche composizione.

Il vero cambiamento è smettere di chiedere a una lega convenzionale di adattarsi alla stampa 3D
Il risultato del lavoro pubblicato su Nature Communications è quindi più importante dei singoli valori ottenuti da KG-AMS o KG-AMAA. Per quasi tutta la storia della produzione additiva metallica l’hardware ha dovuto adattarsi a materiali nati per altre tecnologie. Il nuovo approccio suggerisce che sia arrivato il momento di fare anche il contrario: progettare materiali che sfruttino direttamente le condizioni estreme di solidificazione del processo additivo. L’intelligenza artificiale diventa utile non perché “inventa” magicamente una lega, ma perché permette di esplorare contemporaneamente un numero di composizioni, parametri e relazioni metallurgiche molto superiore a quello gestibile attraverso esperimenti sequenziali. Il knowledge graph impedisce almeno in parte che questa ricerca perda il collegamento con la fisica, mentre la quantificazione dell’incertezza riduce il rischio di fidarsi eccessivamente di previsioni generate da pochi dati. Il risultato finale potrebbe essere una nuova generazione di materiali commercializzati non più separatamente dalla tecnologia di produzione, ma come sistemi integrati composti da chimica della lega, polvere, parametri laser, trattamento termico e proprietà garantite. Per il metal AM sarebbe un cambiamento sostanziale: non più soltanto stampare meglio i materiali disponibili, ma progettare materiali che esistono proprio perché possono essere stampati.

Framework UQ-KGAT

Organizzazioni coinvolte nello studio Nature Communications

KG-AMS – nuova superlega al nichel

KG-AMAA – composizione pubblicata

KG-AMAA – polvere e LPBF

KG-AMAA – proprietà meccaniche as-printed

Principali fasi individuate in KG-AMAA

Perché una lega può risultare difficile da stampare

Dal machine learning tradizionale a UQ-KGAT