Das maschinelle Lernmodell sagt den Schlüssel zum Verständnis der Materialeigenschaften voraus

Anonim

Mithilfe von maschinellem Lernen, evolutionären Algorithmen und anderen fortgeschrittenen Berechnungstechniken haben Forscher des Lawrence Livermore National Laboratory (LLNL) erfolgreich modelliert, wie Atome zwischen den Kristallen angeordnet sind, aus denen die meisten Materialien bestehen. Diese Entwicklung könnte Einfluss darauf haben, wie zukünftige Materialien entworfen und optimiert werden.

Während die meisten Materialien mit bloßem Auge als einheitliche Festkörper erscheinen können, bestehen sie tatsächlich aus winzigen Kristalliten oder Körnern, die auf der atomaren Ebene durch Grenzflächen getrennt sind, die die Wissenschaftler Korngrenzen nennen. Wegen ihrer Bedeutung für Materialeigenschaften und Funktionen wurden die Strukturen dieser Korngrenzen ausführlich untersucht. Das Durchsuchen der Milliarden von möglichen Strukturen mit der Hand und das Versuch, ihr Verhalten vorherzusagen, war jedoch eine vergebliche Übung.

Forscher am LLNL, an der Universität Nevada-Las Vegas, an der Stony Brook University und an der UC Davis haben eine Methode entwickelt, die auf evolutionären Algorithmen und maschinellem Lernen basiert und die Möglichkeit bietet, die Anordnung von Atomen in Korngrenzen zu durchschauen und zu prognostizieren interagieren unter bestimmten Bedingungen. Wissenschaftler sagten, dass die Methode schließlich eine Möglichkeit bietet, Materialeigenschaften vorherzusagen und zu bedeutenden Durchbrüchen bei der Entwicklung von Materialien mit größerer Festigkeit, höherer Wärmebeständigkeit oder höherer Leitfähigkeit führen könnte. Das Papier wurde Anfang dieses Jahres auf der internationalen Konferenz der Minerals, Metals & Materials Society 2018 in Phoenix vorgestellt.

"Was wir entwickelt haben, ist das erste seiner Art, das mögliche Strukturen von Korngrenzen effektiv abtastet und niederenergetische Strukturen sowie wichtige metastabile Zustände findet", sagte LLNL-Wissenschaftler Timofey Frolov, der Projektleiter des Projekts. "Überraschend und schockierend ist, dass wir dachten, wir würden die Strukturen von Grenzen verstehen, aber wir tun das nicht. Im Grunde fangen wir jetzt bei Null an, weil viele Grenzen, die wir betrachten, eine andere Struktur haben als bisher angenommen."

Die atomistische Zusammensetzung von Korngrenzen ist grundlegend dafür, wie bestimmte Materialien Phasen (dh fest zu einer Flüssigkeit) unter Bedingungen wie starker Hitze oder extremem Druck ausführen oder ändern. Die Verwendung von maschinellem Lernen zur Untersuchung möglicher Strukturen und die Fähigkeit, sie rechnerisch zu modellieren, könnte erhebliche Auswirkungen auf die Konstruktion von Materialien für eine breite Palette von Energieanwendungen haben, einschließlich Festkörperbrennstoffzellen, Thermoelektrik für die Energieerzeugung, Sauerstoffsensoren, optische Fasern, Schalter und Laser Verstärker und Linsen, Wissenschaftler sagten.

"In den letzten Jahren gab es eine Revolution, bei der maschinelles Lernen eingesetzt wurde, um an Dinge heranzukommen, die vorher nicht möglich waren. Die Suche nach einer Korngrenzenstruktur führte zu falschen Ergebnissen - man braucht die Kraft dieser modernen Techniken, um die richtige Antwort zu finden. "sagte Robert Rudd, Leiter der Gruppe für numerische Materialforschung an der NNLL. "Viele der technologischen Veränderungen, die wir in den letzten Jahrzehnten beobachten konnten, wurden durch Materialien ermöglicht, die vorher nicht existierten. Daher wird die Entwicklung und Optimierung dieser Strukturen eine bahnbrechende Veränderung bewirken."

Die Forscher erstellten und charakterisierten das neue Modell mit Kupfer und demonstrierten und erprobten es erfolgreich mit Silizium, Wolfram und anderen Materialien. Es wird auch bereits innerhalb des Fusionsenergieprogramms von LLNL implementiert. Frolov sagte, er wolle die Methode für funktionelle Keramiken in Systemen mit vielen Elementen weiterentwickeln, die faszinierende und komplizierte Übergänge bei hohen Temperaturen zeigen.

"Eine große Anzahl kürzlich durchgeführter experimenteller Studien zeigte dramatische Veränderungen im Kornwachstumsverhalten in keramischen Materialien beim Dotieren und verknüpfte diese Veränderungen mit strukturellen Übergängen an Korngrenzen", sagte Frolev. "Zum Beispiel kann eine Bildung von abnorm großen Körnern die Eigenschaften eines Materials drastisch verändern, aber schwer vorherzusagen oder zu kontrollieren. Unsere neue Methode liefert erste solide Beweise für Übergänge an Korngrenzen. Wir können jetzt verschiedene Zustände von Korngrenzen vorhersagen und die abrupte Veränderungen der Materialeigenschaften im Experiment. "

menu
menu