Un vidrio con la fuerza del diamante y la tenacidad de un metal#
6.43 GPa. Eso es lo que aguantan estos vidrios metálicos antes de romperse — más que casi cualquier metal y al borde del diamante policristalino. Pero a diferencia del diamante, no se rompen como cristal: se deforman, absorben energía, sobreviven al impacto.
Ceramic-like strength and metallic toughness in a bulk metallic glass · Cai et al. · Nature, 2026 · DOI: 10.1038/s41586-026-10430-w
[Video relacionado: pendiente]
El trade-off que llevaba décadas estancado#
Las cerámicas son resistentes pero frágiles: si las golpeas, se astillan. Los metales son tenaces pero blandos: aguantan el golpe pero se deforman bajo carga. Los ingenieros llevan décadas intentando combinar lo mejor de los dos. Lo nuevo aquí es un vidrio metálico masivo (BMG) basado en renio, cobalto, tántalo y boro — Re-Co-Ta-B — fabricado por colada por succión en moldes de cobre.
El equipo midió cinco composiciones. La que rinde mejor (Re1, con 26.8% de Re) llega a 6.43 GPa de resistencia a la fractura y 30 MPa·m^1/2 de tenacidad. En el plano resistencia-tenacidad, esa combinación cae en una región que hasta ahora estaba prácticamente vacía. Veámoslo con sus propios datos.
# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
SIGMA_Y_THIS_WORK = 6.43 # Resistencia a la fractura (GPa)
K1C_THIS_WORK = 30.0 # Tenacidad a la fractura (MPa·m^1/2)
TEMP_REFERENCIA = 900 # Kelvin — el banco de prueba para alta T
FUENTE = 'Fuente: Cai et al. (2026), Nature | Datos: Supplementary Tables S1, S2, S6'
COLOR_THIS_WORK = '#DC2626' # Re-Co-Ta-B — el protagonista
COLOR_CERAMIC = '#7C3AED' # cerámicas (frágiles)
COLOR_BMG = '#2563EB' # otros vidrios metálicos
COLOR_CRYSTALLINE = '#059669' # aleaciones cristalinas
# ──────────────────────────────────────────────────────────────
# Imports + estilo CaM
# ──────────────────────────────────────────────────────────────
import os
import urllib.request
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.patches import FancyArrowPatch
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
style_file = '/tmp/cam.mplstyle'
if not os.path.exists(style_file):
urllib.request.urlretrieve(
'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main/cam.mplstyle',
style_file
)
plt.style.use(style_file)
# ──────────────────────────────────────────────────────────────
# Carga de los 3 datasets
# ──────────────────────────────────────────────────────────────
df_st = pd.read_csv('datos/strength_toughness.csv')
df_t = pd.read_csv('datos/strength_vs_temperature.csv')
df_cmp = pd.read_csv('datos/composiciones_re_co_ta_b.csv')
print(f"Materiales en el plano σy–K1C: {len(df_st)}")
print(f" · cerámicas: {(df_st['categoria']=='ceramic').sum()}")
print(f" · BMGs (otros): {(df_st['categoria']=='bmg').sum()}")
print(f" · aleaciones cristal: {(df_st['categoria']=='crystalline_alloy').sum()}")
print(f" · this_work: {(df_st['categoria']=='this_work').sum()}")
print(f"\nMediciones strength vs T: {len(df_t)} puntos / {df_t['material'].nunique()} materiales")
print(f"Composiciones sintetizadas: {len(df_cmp)}")
Materiales en el plano σy–K1C: 72
· cerámicas: 23
· BMGs (otros): 43
· aleaciones cristal: 5
· this_work: 1
Mediciones strength vs T: 98 puntos / 16 materiales
Composiciones sintetizadas: 5
El mapa Ashby#
Aquí está. Una sola gráfica que resume por qué este paper importa.
fig, ax = plt.subplots(figsize=(13, 5.5))
categorias = [
('ceramic', 'Cerámicas', COLOR_CERAMIC),
('bmg', 'Otros vidrios metálicos', COLOR_BMG),
('crystalline_alloy', 'Aleaciones cristalinas', COLOR_CRYSTALLINE),
]
for cat, label, color in categorias:
sub = df_st[df_st['categoria'] == cat]
ax.scatter(sub['yield_strength_gpa'], sub['fracture_toughness_mpa_m12'],
color=color, s=45, alpha=0.7, edgecolors='white', linewidths=0.5,
label=label, zorder=4)
# This work — destacado
tw = df_st[df_st['categoria'] == 'this_work'].iloc[0]
ax.scatter(tw['yield_strength_gpa'], tw['fracture_toughness_mpa_m12'],
marker='*', s=520, color=COLOR_THIS_WORK,
edgecolors='white', linewidths=1.5, zorder=10,
label='Re-Co-Ta-B (este trabajo)')
ax.annotate('6.43 GPa\n30 MPa·m^1/2',
xy=(tw['yield_strength_gpa'], tw['fracture_toughness_mpa_m12']),
xytext=(7.5, 38), fontsize=10, fontweight='bold', color=COLOR_THIS_WORK,
arrowprops=dict(arrowstyle='-', color=COLOR_THIS_WORK, lw=1.2))
ax.set_xlabel('Resistencia a la fractura σy (GPa)')
ax.set_ylabel('Tenacidad K1C (MPa·m^1/2)')
ax.set_title('Donde nadie habita: alta resistencia y tenacidad media-alta',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Cuanto más a la derecha, más fuerte. Cuanto más arriba, menos frágil.',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlim(0, 9)
ax.set_ylim(0, 100)
ax.legend(fontsize=9, loc='upper right', framealpha=0.9)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/ashby_strength_toughness.png', dpi=200, bbox_inches='tight')
plt.show()
Lo que llama la atención no es solo la posición del Re-Co-Ta-B — es la región vacía que ocupa. Por debajo de 6 GPa el plano está saturado: cerámicas duras pero frágiles, BMGs convencionales con tenacidades por encima de 20 pero resistencias modestas, aleaciones cristalinas tenaces pero blandas. El cuadrante superior-derecho (alta σy, K1C ≥ 20) es territorio prácticamente desocupado.
Solo tres cerámicas alcanzan o superan los 6.43 GPa de σy: c-BN (7.0 GPa) y dos PCDs (diamante policristalino, 6.9 y 7.0 GPa). Ninguna pasa de K1C = 9. La que mejor combina las dos es PCD con 6.9 GPa + 8.8 MPa·m^1/2 — y aun así, la tenacidad del Re-BMG la triplica (30 / 8.8 ≈ 3.4×).
¿Y al calor?#
A temperatura ambiente todo se ve bien. Pero los BMGs tienen un problema histórico: cerca de su temperatura de transición vítrea (Tg) fluyen viscosamente y la resistencia se desploma. Los superalloys (Inconel, Haynes) y los aceros refractarios aguantan más, pero parten de resistencias muy bajas. Veamos cómo sobrevive este Re-Co-Ta-B comparado con sus rivales naturales.
fig, ax = plt.subplots(figsize=(13, 5.5))
# Selección curada — los rivales más relevantes (no los 16 a la vez)
seleccion = {
'Re-based BMG (This work)': COLOR_THIS_WORK,
'OsCo-based BMG': '#2563EB',
'Ir-based BMG': '#0891B2',
'Co-based BMG': '#94A3B8',
'Inconel 718': '#059669',
'WTaMoNb': '#D97706',
}
for material, color in seleccion.items():
sub = df_t[df_t['material'] == material].sort_values('temperatura_k')
if len(sub) == 0:
continue
is_this = 'This work' in material
lw = 2.4 if is_this else 1.6
z = 10 if is_this else 4
alpha = 1.0 if is_this else 0.85
label = 'Re-Co-Ta-B (este trabajo)' if is_this else material
ax.plot(sub['temperatura_k'], sub['strength_gpa'],
marker='o', markersize=5, color=color, linewidth=lw,
alpha=alpha, label=label, zorder=z)
# Línea vertical en 900 K
ax.axvline(x=TEMP_REFERENCIA, color='#999999', linestyle='--', linewidth=1.0, alpha=0.6, zorder=2)
ax.text(TEMP_REFERENCIA + 10, ax.get_ylim()[1] * 0.92,
f'{TEMP_REFERENCIA} K', fontsize=9, color='#666666', style='italic')
ax.set_xlabel('Temperatura (K)')
ax.set_ylabel('Resistencia a compresión (GPa)')
ax.set_title('A 900 K, el Re-Co-Ta-B sigue por encima de 4 GPa',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Curva de ablandamiento térmico — selección de 6 materiales representativos',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_xlim(280, 1300)
ax.legend(fontsize=9, loc='upper right', framealpha=0.9, ncol=2)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/strength_vs_temperature.png', dpi=200, bbox_inches='tight')
plt.show()
# Cuantificar la caída del this_work
tw_curve = df_t[df_t['material'] == 'Re-based BMG (This work)'].sort_values('temperatura_k')
s_303 = tw_curve[tw_curve['temperatura_k'] == 303]['strength_gpa'].values[0]
s_900 = tw_curve[tw_curve['temperatura_k'] == 900]['strength_gpa'].values[0]
s_1000 = tw_curve[tw_curve['temperatura_k'] == 1000]['strength_gpa'].values[0]
print(f"σy a 303 K: {s_303:.2f} GPa")
print(f"σy a 900 K: {s_900:.2f} GPa (caída del {(1-s_900/s_303)*100:.1f}%)")
print(f"σy a 1000 K: {s_1000:.2f} GPa (caída del {(1-s_1000/s_303)*100:.1f}%)")
σy a 303 K: 6.43 GPa
σy a 900 K: 4.40 GPa (caída del 31.6%)
σy a 1000 K: 2.06 GPa (caída del 68.0%)
Cinco recetas, cinco compromisos#
El Re-Co-Ta-B no es una composición fija. El equipo sintetizó cinco variantes (Re1 a Re5) cambiando ligeramente la proporción de cada elemento. En las cinco recetas, más renio tiende a subir la temperatura de transición vítrea (Tg) — el techo térmico del material. Pero el espesor crítico de colada (dc, qué tan grueso pueden hacerlo sin que cristalice) baja. Hay que elegir.
fig, axes = plt.subplots(1, 3, figsize=(13, 4.5))
x = np.arange(len(df_cmp))
labels = df_cmp['etiqueta'].values
# Panel 1 — Tg (techo térmico)
axes[0].bar(x, df_cmp['tg_k'], color=COLOR_THIS_WORK, alpha=0.85, edgecolor='white')
axes[0].set_ylim(950, 1150)
axes[0].set_title('Tg — temperatura de transición vítrea', fontsize=11, fontweight='bold', pad=16)
axes[0].set_ylabel('Tg (K)')
axes[0].set_xticks(x)
axes[0].set_xticklabels(labels)
for i, v in enumerate(df_cmp['tg_k']):
axes[0].text(i, v + 5, str(v), ha='center', fontsize=9, color='#444444')
# Panel 2 — dc (espesor máximo sin cristalizar)
axes[1].bar(x, df_cmp['dc_mm'], color=COLOR_BMG, alpha=0.85, edgecolor='white')
axes[1].set_ylim(0, 5)
axes[1].set_title('dc — espesor crítico de colada', fontsize=11, fontweight='bold', pad=16)
axes[1].set_ylabel('dc (mm)')
axes[1].set_xticks(x)
axes[1].set_xticklabels(labels)
for i, v in enumerate(df_cmp['dc_mm']):
axes[1].text(i, v + 0.1, f'{v} mm', ha='center', fontsize=9, color='#444444')
# Panel 3 — ΔTx (estabilidad del líquido sobreenfriado)
axes[2].bar(x, df_cmp['delta_tx_k'], color='#059669', alpha=0.85, edgecolor='white')
axes[2].set_ylim(0, 120)
axes[2].set_title('ΔTx — región líquida sobreenfriada', fontsize=11, fontweight='bold', pad=16)
axes[2].set_ylabel('ΔTx (K)')
axes[2].set_xticks(x)
axes[2].set_xticklabels(labels)
for i, v in enumerate(df_cmp['delta_tx_k']):
axes[2].text(i, v + 2, str(v), ha='center', fontsize=9, color='#444444')
fig.suptitle('Re1 = más espesor + ΔTx grande · Re5 = más alto Tg pero menos colable',
fontsize=12, fontweight='bold', y=1.02)
fig.text(0.13, -0.05, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/composiciones.png', dpi=200, bbox_inches='tight')
plt.show()
# Correlación Re% ↔ Tg
from scipy import stats
r, p = stats.spearmanr(df_cmp['re_pct'], df_cmp['tg_k'])
print(f"Correlación Spearman (Re% vs Tg): ρ = {r:.3f}, p = {p:.4f} (n = {len(df_cmp)})")
Correlación Spearman (Re% vs Tg): ρ = 1.000, p = 0.0000 (n = 5)
¿Qué tan rara es esa tenacidad?#
Entre todos los materiales con resistencia ≥ 5 GPa — la zona del mapa donde casi todo es cerámica frágil — ¿dónde queda el Re-Co-Ta-B en términos de tenacidad?
fig, ax = plt.subplots(figsize=(11, 5))
# Subset: materiales con σy >= 5 GPa (excluye el this_work del histograma)
fuertes = df_st[(df_st['yield_strength_gpa'] >= 5) & (df_st['categoria'] != 'this_work')]
k1c_others = fuertes['fracture_toughness_mpa_m12'].values
k1c_this = K1C_THIS_WORK
mediana = np.median(k1c_others)
n_others = len(k1c_others)
n_h, bins, patches = ax.hist(k1c_others, bins=15, color=COLOR_BMG, alpha=0.5,
edgecolor=COLOR_BMG, linewidth=0.8)
y_max = n_h.max() * 1.35
ax.set_ylim(0, y_max)
# Mediana del grupo "fuertes"
ax.axvline(x=mediana, color='#666666', linewidth=1.5, linestyle='--', alpha=0.7)
ax.text(mediana + 0.5, y_max * 0.85,
f'mediana del grupo\n{mediana:.1f} MPa·m^1/2',
fontsize=9, color='#666666', va='top')
# This work
ax.axvline(x=k1c_this, color=COLOR_THIS_WORK, linewidth=2.5)
ax.text(k1c_this - 0.5, y_max * 0.92,
f'Re-Co-Ta-B\n{k1c_this:.0f} MPa·m^1/2',
fontsize=10, color=COLOR_THIS_WORK, fontweight='bold', ha='right', va='top')
# Flecha bidireccional entre mediana y this_work
ax.annotate('', xy=(k1c_this, y_max * 0.55), xytext=(mediana, y_max * 0.55),
arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text((mediana + k1c_this) / 2, y_max * 0.6,
f'×{k1c_this/mediana:.1f}',
fontsize=11, color='#444444', ha='center', fontweight='bold')
ax.set_xlabel('Tenacidad K1C (MPa·m^1/2)')
ax.set_ylabel('Número de materiales')
ax.set_title('Tenacidad de los materiales con σy ≥ 5 GPa',
fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03,
f'{n_others} materiales del grupo "fuertes" (cerámicas duras + BMGs y aleaciones de alta σy)',
transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/histograma_tenacidad.png', dpi=200, bbox_inches='tight')
plt.show()
print(f"Materiales fuertes (σy ≥ 5 GPa): n = {n_others}")
print(f" · K1C mínimo: {k1c_others.min():.1f} MPa·m^1/2")
print(f" · K1C mediano: {mediana:.1f} MPa·m^1/2")
print(f" · K1C máximo: {k1c_others.max():.1f} MPa·m^1/2")
print(f" · Re-Co-Ta-B: {k1c_this:.0f} MPa·m^1/2 (×{k1c_this/mediana:.1f} la mediana)")
Materiales fuertes (σy ≥ 5 GPa): n = 8
· K1C mínimo: 3.4 MPa·m^1/2
· K1C mediano: 6.0 MPa·m^1/2
· K1C máximo: 11.2 MPa·m^1/2
· Re-Co-Ta-B: 30 MPa·m^1/2 (×5.0 la mediana)
Lo que los datos soportan#
Afirmación |
¿Soportada? |
Detalle |
|---|---|---|
El Re-Co-Ta-B alcanza σy = 6.43 GPa y K1C = 30 MPa·m^1/2 |
✅ |
Tabla S1 confirma 6.43 / 30 exactos. El abstract los reporta como afirmación directa (T1). |
Su σy supera a otros BMGs y a metales cristalinos |
✅ |
En el dataset solo 2 BMGs alcanzan σy ≥ 5 GPa; el siguiente mejor es 5.96 GPa. |
Solo 4 cerámicas en el dataset llegan a σy ≥ 6 GPa |
✅ |
c-BN (7.0), dos PCDs (7.0 y 6.9) y SiC (6.1). Ninguna pasa de K1C = 9. |
Mantiene 4.4 GPa a 900 K (caída de ~31.6%) |
✅ |
Tabla S2 da σy(303 K) = 6.43 → σy(900 K) = 4.4. La gráfica reproduce el cálculo. |
El refuerzo viene de orden de corto rango heredado del Re7B3 con enlaces Re-B direccionales |
⚠️ |
El paper lo enmarca como mecanismo propuesto (verbo suggest + DFT computacional). Aquí no lo verificamos: lo aceptamos como hipótesis. |
El gap de tenacidad vs cerámicas duras es ~3× |
✅ |
K1C = 30 vs PCD máximo K1C = 8.8 → factor 3.4×. Aproximación honesta. |
Limitaciones del análisis. Los datos comparativos vienen transcritos del Supplementary PDF, no de un repositorio público — no podemos auditar el origen primario de cada cerámica/BMG. La σy del Re-Co-Ta-B en peer review aparece reportada como 6.50 ± 0.20 GPa (mediana ± SD entre 6 réplicas); el 6.43 es el valor central que usamos por consistencia con el abstract. El espesor crítico de colada es 3-4 mm: piezas de investigación, no industriales. Y el renio cuesta ~1500 USD/kg: este material no va a estar en tu bicicleta pronto.
Ahora tú#
Tres preguntas para abrir los datos:
¿Qué pasaría si bajamos el listón? El histograma usa σy ≥ 5 GPa. Si lo bajas a 4 GPa, ¿cuántos materiales más entran? ¿Cómo cambia la mediana de K1C? (pista: cambia el
5en el filtrodf_st['yield_strength_gpa'] >= 5y reejecuta.)¿Es lineal la relación entre Re% y Tg? Las cinco composiciones suben Tg con Re%, pero ¿el ajuste es lineal o se aplana? (pista: usa
np.polyfit(df_cmp['re_pct'], df_cmp['tg_k'], deg=1)para un ajuste lineal y compara condeg=2.)¿Qué BMG tiene la peor caída de resistencia con la temperatura? En
df_t, calcula la caída relativa de cada material entre 303 K y la temperatura más alta disponible. ¿Quién pierde más, en porcentaje? (pista:groupby('material').apply(...).)
# --- EXPERIMENTA AQUÍ ---
# Pregunta 3: ¿Quién pierde más resistencia con la temperatura?
caidas = []
for material in df_t['material'].unique():
sub = df_t[df_t['material'] == material].sort_values('temperatura_k')
if len(sub) < 2:
continue
s_min = sub.iloc[0]['strength_gpa'] # T más baja medida
s_max = sub.iloc[-1]['strength_gpa'] # T más alta medida
t_min = sub.iloc[0]['temperatura_k']
t_max = sub.iloc[-1]['temperatura_k']
caida_pct = (1 - s_max / s_min) * 100
caidas.append({
'material': material,
'T_min_K': int(t_min),
'T_max_K': int(t_max),
'sigma_T_min_GPa': round(s_min, 2),
'sigma_T_max_GPa': round(s_max, 2),
'caida_pct': round(caida_pct, 1),
})
ranking = pd.DataFrame(caidas).sort_values('caida_pct', ascending=False)
print("Top 5 materiales con mayor caída de resistencia:")
print(ranking.head(5).to_string(index=False))
print(f"\nRe-Co-Ta-B (este trabajo):")
print(ranking[ranking['material'] == 'Re-based BMG (This work)'].to_string(index=False))
Top 5 materiales con mayor caída de resistencia:
material T_min_K T_max_K sigma_T_min_GPa sigma_T_max_GPa caida_pct
Au-based BMG 303 400 1.25 0.13 89.6
Zr-based BMG 303 635 1.88 0.22 88.3
Inconel 718 369 1255 1.17 0.14 88.0
Ir-based BMG 303 1160 5.11 0.98 80.8
MarM 302 303 1223 0.69 0.16 76.8
Re-Co-Ta-B (este trabajo):
material T_min_K T_max_K sigma_T_min_GPa sigma_T_max_GPa caida_pct
Re-based BMG (This work) 303 1000 6.43 2.06 68.0
Fuentes#
Paper: Ceramic-like strength and metallic toughness in a bulk metallic glass
Nature, 2026-04-22
Datos: Supplementary Information — Tables S1, S2, S6 (Yield strength, K1C, strength-vs-T, BMG compositions)
Supplementary Information del mismo paper, Nature
12 afirmaciones verificadas contra estas fuentes
Reproducibilidad. Notebook ejecutado con Python 3.11, pandas + matplotlib + numpy + scipy. Los CSVs en datos/ son transcripciones literales de las Tablas S1, S2 y S6 del Supplementary Information del paper (verificadas contra los valores del abstract).
Repo: github.com/Ciencia-a-Mordiscos/lab · Licencia: CC-BY 4.0