در حال حاضر، سامانه‌ای که در جنگنده ها به کار می‌رود از اجزای مکانیکی سنگین تشکیل شده است. استفاده از آلیاژهای حافظه‌دار شکلی با دمای بالا (HTSMA) می‌تواند این وضعیت را تغییر دهد. این آلیاژها باعث می‌شوند جنگنده‌ها با وزن کمتر و بهره‌وری بالاتر عمل کنند، به این معنا که تعداد بیشتری از آن‌ها با سرعت بیشتر و مصرف انرژی بهینه آماده پرواز خواهند شد.خبرها حاکی از جهشی بزرگ در علم ساخت هواپیماهای جنگنده است. دانشمندان آمریکایی به فناوری پیشرفته‌ای در این زمینه دست یافته‌اند. دانشمندان آمریکایی در حال بررسی آلیاژهای حافظه‌دار شکلی (SMA) با بهره‌گیری از هوش مصنوعی هستند تا عملکرد هواپیماهای جنگنده را بهبود بخشیده و کارایی آن‌ها را افزایش دهند.
علم ساخت هواپیماهای جنگنده اکنون جهشی بزرگ یافته است
فناوری آلیاژهای حافظه‌دار شکلی امکان تا شدن بال‌های هواپیماهای جنگی از طریق گرم و سرد شدن الکتریکی را فراهم می‌کند که به بهینه‌تر شدن حرکت آن‌ها کمک می‌کند. جنگنده‌هایی نظیر F/A-18 آمریکا باید بتوانند بال‌های خود را جمع کنند تا در فضای محدود ناوهای هواپیمابر جا بگیرند.
در حال حاضر، سامانه‌ای که در جنگنده‌ها به کار می‌رود از اجزای مکانیکی سنگین تشکیل شده است. استفاده از آلیاژهای حافظه‌دار شکلی با دمای بالا (HTSMA) می‌تواند این وضعیت را تغییر دهد. این آلیاژها باعث می‌شوند جنگنده‌ها با وزن کمتر و بهره‌وری بالاتر عمل کنند، به این معنا که تعداد بیشتری از آن‌ها با سرعت بیشتر و مصرف انرژی بهینه آماده پرواز خواهند شد.
با این حال، آلیاژهای حافظه‌دار شکل تا امروز با مشکل اصلی هزینه بالا مواجه بوده‌اند. پژوهشگران گروه علوم و مهندسی مواد در دانشگاه Texas A&M معتقدند ترکیب هوش مصنوعی با آزمایش‌های پرسرعت می‌تواند روند کشف مواد را تسریع کرده و هزینه توسعه را کاهش دهد. به این ترتیب، روند طراحی مواد جدید با سرعت بیشتر و هزینه مقرون‌به‌صرفه‌تری انجام خواهد شد.
فرآیند طراحی مواد جدید مستلزم آزمودن هزاران ترکیب فلزی است تا گزینه مناسب شناسایی شود، زیرا حتی تغییرات بسیار جزئی در ترکیب می‌تواند رفتار ماده را کاملاً دگرگون سازد. از این رو، یافتن ترکیب مناسب برای یک آلیاژ بیشتر شبیه به فرآیندی تصادفی و مبتنی بر آزمون و خطاست.
تیمی به سرپرستی پروفسور ابراهیم کارامان، رویکردی داده‌محور برای کشف مواد ابداع کرده‌اند. کارامان اظهار داشت: «این تحقیق نشان می‌دهد که می‌توان آلیاژهای دمای بالای بهتری را بدون تکیه بر آزمون و خطای پرهزینه، بلکه از طریق جست‌وجوی هدفمند و هوشمندانه بر اساس داده و فیزیک طراحی کرد.»
این گروه تحقیقاتی از رایانه‌های قدرتمند و هوش مصنوعی برای پیش‌بینی نحوه برهم‌کنش ترکیب‌های مختلف فلزی بهره گرفته‌اند تا نیازی به بررسی همه گزینه‌ها در آزمایشگاه نباشد. این موضوع باعث کاهش چشمگیر در تعداد ترکیبات مورد نیاز برای آزمون آزمایشگاهی می‌شود.
آن‌ها هوش ماشینی را با آزمایش‌های تجربی از طریق چارچوبی موسوم به بهینه‌سازی بیزی دسته‌ای (Batch Bayesian Optimization یا BBO) یکپارچه کرده‌اند. این چارچوب امکان به‌روزرسانی پیش‌بینی‌ها را بر اساس نتایج آزمایش‌های پیشین فراهم کرده، میزان هدررفت را کاهش داده و بهره‌وری کشف مواد را افزایش می‌دهد. کارامان می‌گوید: «این چارچوب نه‌تنها سرعت کشف مواد را افزایش می‌دهد، بلکه امکان طراحی آلیاژهایی برای کاربردهای خاص مانند کاهش اتلاف انرژی یا بهبود عملکرد عملگرها را نیز فراهم می‌کند.» هدف آن‌ها طراحی موادی است که در واکنش به گرما یا جریان برق، تغییر شکل دهند؛ مشابه کارکرد عضله برای ماشین‌ها. این مواد ویژه که با عنوان عملگر (Actuator) شناخته می‌شوند، در صنایع هوافضا، رباتیک و تجهیزات پزشکی کاربرد دارند. در صورت تحقق هدف نهایی، می‌توان انتظار داشت که جنگنده‌های ایالات متحده چابک‌تر و با عملکرد بالاتری عمل کنند. نتایج این پژوهش درباره جهش بزرگ در علم ساخت هواپیماهای جنگنده در مجله Acta Materialia منتشر شده است.
