Investigadores de la Washington State University (WSU) usaron inteligencia artificial para identificar una forma más rápida y barata de imprimir en 3D una aleación metálica de alto rendimiento, evitando tener que probar manualmente más de 100 millones de configuraciones posibles de impresión.
El avance podría permitir que la aleación, muy usada en aplicaciones aeroespaciales, se imprima en equipos comerciales corrientes. La estrategia desarrollada por el equipo también podría servir para otros problemas científicos que involucren cantidades enormes de experimentos posibles, incluido el descubrimiento de fármacos.
El trabajo se publicó en las Proceedings of the AAAI Conference on Artificial Intelligence y recibió el Innovative Deployed Application Award en la conferencia anual de esa organización.
"El 90% de las impresoras comerciales no puede imprimir esta aleación metálica, así que al haber encontrado estos parámetros de proceso viables podemos usar esas impresoras comerciales, y estamos esencialmente democratizando la impresión de esta aleación", dijo Jana Doppa, profesora de ciencia de la computación que lideró la investigación.
¿Qué es el GRCop-42 y por qué cuesta tanto imprimirlo?
El material es una aleación de cobre, cromo y niobio que la NASA desarrolló para ambientes exigentes, donde se necesitan al mismo tiempo resistencia al calor y transferencia térmica eficiente.
Como el GRCop-42 tiene alta conductividad térmica y mantiene su resistencia a temperaturas extremas, se usa en sistemas aeroespaciales, entre ellos las cámaras de combustión de motores cohete de propelente líquido. Pese a esas propiedades, imprimirlo es difícil y caro, porque el proceso normalmente exige una potencia de láser y un consumo de energía considerables.
Los intentos previos de imprimir la aleación con los vatajes más bajos de las máquinas comerciales comunes no habían tenido éxito. Probar los ajustes uno por uno tampoco es viable: cada intento consume material caro, requiere equipamiento especializado y demanda esfuerzo humano. Una sola impresión puede costar cientos de dólares, y analizar a fondo la muestra terminada puede tomar varios días.
"A veces imprimían cierta configuración y el producto simplemente se derretía", dijo Azza Fadhel, primera autora del artículo y estudiante de doctorado en ciencia de la computación. "No era realmente imprimible, y aun con tiempo y dinero no podrían probar las 100 millones de opciones."
¿Cómo se recorre un espacio de 100 millones de opciones?
El equipo partió con los datos de 37 configuraciones de impresión que ya habían fallado en experimentos anteriores.
Con esos resultados desarrollaron un método capaz de estimar qué tan probable era que una combinación de ajustes no probada produjera una impresión exitosa. El modelo recomendaba entonces pequeños grupos de configuraciones nuevas para ensayar.
Sus selecciones equilibraban dos prioridades: algunos experimentos apuntaban a configuraciones que se veían especialmente prometedoras, mientras otros exploraban zonas menos certeras del espacio de búsqueda, capaces de aportar información nueva y mejorar el modelo.
"Me devolvían los resultados, y todos me gustaban, incluso los que fallaban, porque cada resultado mejoraba nuestro modelo de IA", dijo Fadhel.
Seis aciertos en 40 intentos
Pese a que las configuraciones exitosas eran extremadamente raras dentro del espacio de búsqueda, el equipo encontró seis configuraciones exitosas a distintos niveles de potencia de láser durante tres meses de trabajo, limitando el proyecto a un total de apenas 40 experimentos. Por primera vez lograron imprimir GRCop-42 usando 500 vatios de potencia de láser.
"Es un caso muy desafiante para la IA", dijo Doppa. "Cada vez que lo intentas, básicamente obtienes una señal binaria de éxito o fracaso, y estás tratando de minimizar el número de intentos para llegar rápido a esas agujas exitosas."
Imprimir la aleación con menos potencia de láser traería varias ventajas: reduciría el consumo de energía, disminuiría el desgaste del equipo de impresión y bajaría los costos asociados al procesamiento posterior de las muestras. También pondría el GRCop-42 al alcance de universidades, laboratorios pequeños y empresas sin acceso a sistemas de impresión de alta potencia.
Un método que excede la metalurgia
Los investigadores señalan que el mismo enfoque guiado por IA podría adaptarse para identificar condiciones de procesamiento viables en otras aleaciones metálicas y otros sistemas de manufactura aditiva.
De forma más amplia, el método podría ayudar en problemas donde los resultados exitosos son poco frecuentes, la cantidad de experimentos posibles es enorme y probar cada opción sería prohibitivamente caro.
Referencia: Azza Fadhel, Nathaniel W. Zuckschwerdt, Aryan Deshwal, Susmita Bose, Amit Bandyopadhyay y Jana Doppa. Discovery of Feasible 3D Printing Configurations for Metal Alloys via AI-Driven Adaptive Experimental Design. Proceedings of the AAAI Conference on Artificial Intelligence, 2026; 40 (47): 39939.
