Simulering af diffusion ved hjælp af kinosoner og maskinlæring

Forskere fra University of Illinois Urbana-Champaign har omstøbt diffusion i flerkomponentlegeringer som en sum af individuelle bidrag, kaldet "kinosoner". Ved at bruge maskinlæring til at beregne den statistiske fordeling af de individuelle bidrag, var de i stand til at modellere legeringen og beregne dens diffusionsstørrelsesordener mere effektivt end at beregne hele baner.

Dette arbejde er publiceret i tidsskriftet Physical Review Letters .

"Vi fandt en meget mere effektiv måde at beregne diffusion i faste stoffer på, og samtidig lærte vi mere om de grundlæggende diffusionsprocesser i det samme system," siger professor i materialevidenskab og ingeniørvidenskab Dallas Trinkle, der ledede dette arbejde sammen med med kandidatstuderende Soham Chattopadhyay.

Diffusion i faste stoffer er den proces, hvorved atomer bevæger sig gennem et materiale. Produktionen af ​​stål, ioner, der bevæger sig gennem et batteri og doping af halvlederenheder er alt sammen ting, der styres af diffusion.

Her modellerede holdet diffusion i flerkomponentlegeringer, som er metaller sammensat af fem forskellige elementer - mangan, kobolt, krom, jern og nikkel i denne forskning - i lige store mængder. Disse typer legeringer er interessante, fordi en måde at fremstille stærke materialer på er at tilføje forskellige elementer sammen som at tilføje kulstof og jern for at fremstille stål.

Multikomponentlegeringer har unikke egenskaber, såsom god mekanisk opførsel og stabilitet ved høje temperaturer, så det er vigtigt at forstå, hvordan atomer diffunderer i disse materialer.

For at få et godt kig på diffusion er det nødvendigt med lange tidsskalaer, da atomer tilfældigt bevæger sig rundt, og over tid vil deres forskydning fra udgangspunktet vokse. "Hvis nogen forsøger at simulere diffusionen, er det en smerte, fordi du skal køre simuleringen i meget lang tid for at få det fulde billede," siger Trinkle.

"Det begrænser virkelig mange af de måder, vi kan studere diffusion på. Mere nøjagtige metoder til at beregne overgangshastigheder kan ofte ikke bruges, fordi du ikke ville være i stand til at udføre nok trin i en simulering til at få den langvarige bane og få en rimelig værdi af diffusion."

Et atom kan springe til venstre, men så hopper det måske tilbage til højre. I så fald har atomet ikke bevæget sig nogen steder. Sig nu, at den hopper til venstre, så sker der 1.000 andre ting, så hopper den tilbage til højre. Det er den samme effekt.

Trinkle siger:"Vi kalder den korrelation, fordi atomet på et tidspunkt lavede et spring, og senere fortrydede det springet. Det er det, der gør diffusion kompliceret. Når vi ser på, hvordan maskinlæring løser problemet, er det, det virkelig gør, at det ændrer sig. problemet til et, hvor der ikke er nogen af ​​disse korrelerede spring."

Derfor bidrager ethvert spring, som et atom laver, til diffusion, og problemet bliver meget lettere at løse. "Vi kalder de spring kinosons, for små bevægelser," siger Trinkle.

"Vi har vist, at du kan udtrække fordelingen af ​​disse, sandsynligheden for at se en kinoson af en vis størrelse, og lægge dem alle sammen for at få den sande diffusivitet. Derudover kan du se, hvordan forskellige elementer diffunderer i en solid."

En anden fordel ved at modellere diffusion ved hjælp af kinosoner og maskinlæring er, at det er betydeligt hurtigere end at beregne hele baner i lang tid. Trinkle siger, at med denne metode kan simuleringer udføres 100 gange hurtigere, end det ville tage med de normale metoder.

"Jeg tror, ​​at denne metode virkelig vil ændre den måde, vi tænker på diffusion," siger han. "Det er en anden måde at se på problemet, og jeg håber, at det i løbet af de næste 10 år vil være standardmåden at se diffusion på. For mig er en af ​​de spændende ting ikke bare, at det virker hurtigere, men at man også lære mere om, hvad der sker i systemet."