Forskere udvikler metode, der kan producere stærkere, mere bøjelige metaller

Det er måske ikke så iørefaldende som kæder og svage led, men fysikere og ingeniører ved "et materiale er kun så stærkt som dets svageste korngrænse."

OKAY, det er slet ikke fængende, men her er pointen:korngrænser er en stor sag. De er de mikroskopiske, uordnede områder, hvor byggesten i atomstørrelse binder krystallerne (dvs. korn) sammen i materialer.

Vigtigere, korngrænser er med til at bestemme egenskaberne af metaller, der er vigtige for mennesker. For eksempel, de kan påvirke et metals styrke (bygninger!), korrosionsbestandighed (broer!) og ledningsevne (elektricitet!).

Men mens forskere har studeret korngrænser i årtier og fået en vis indsigt i, hvilke typer egenskaber korngrænser producerer, ingen har været i stand til at fastgøre et universelt system til at forudsige, om en bestemt konfiguration af atomer ved korngrænser vil gøre et materiale stærkere eller mere bøjeligt.

Gå ind i det tværfaglige BYU -forskerteam i Rosenbrock, Homer og Hart. Ph.D. studerende (Conrad Rosenbrock) og to professorer - en ingeniør (Eric Homer) og en fysiker (Gus Hart) - kunne have knækket koden ved at presse en computer med en algoritme, der gør det muligt at lære det undvigende "hvorfor" bag grænsernes kvaliteter .

Deres metode, offentliggjort i det seneste nummer af Natur tidsskrift Beregningsmaterialer , giver en teknik til at fremstille en "ordbog" over de atomare byggesten, der findes i metaller, legeringer, halvledere og andre materialer. Deres maskinlæringstilgang analyserer Big Data (tænk:massive datasæt af korngrænser) for at give indsigt i fysiske strukturer, der sandsynligvis er forbundet med specifikke mekanismer, processer og egenskaber, der ellers ville være svære at identificere.

"Vi bruger maskinlæring, hvilket betyder, at algoritmer kan se tendenser i masser af data, som et menneske ikke kan se, "Sagde Homer." Med Big Data -modeller mister du en vis præcision, men vi har fundet ud af, at det stadig giver stærk nok information til at forbinde prikkerne mellem en grænse og en ejendom."

Når det kommer til metaller, processen kan evaluere egenskaber som styrke, materialers vægt og levetid, fører til den endelige optimering af de bedste materialer. Selvom gruppen faktisk ikke skaber materialer endnu, de kan nu tyde "hvorfor" og "hvordan" af makeuppen.

Forskere sagde, at deres papir er det første, der forsøger at knække koden for de atomare strukturer, der i høj grad påvirker korngrænseegenskaberne med computeralgoritmerne for maskinlæring.

"Det er lidt ligesom Siri; Siri fungerer ved at tage lyde og gøre dem til vokaler og konsonanter og i sidste ende ord ved at få adgang til en massiv Apple -database, " sagde Hart. "Vi bruger det samme koncept. Vi har en stor database, og vores algoritme tager korngrænser og sammenligner det med denne database for at forbinde dem med bestemte egenskaber. "

Slutmålet er at gøre det nemmere og mere effektivt at udvikle materialer, der kan kombineres til stærke, lette og korrosionsfrie metaller. Forskerne mener, at de er i forenden af, hvad der kan være en 10 eller endda 20-årig proces til at skabe innovative legeringsstrukturer, der giver praktiske løsninger til større strukturer.

"Vores nation bruger 500 milliarder dollars om året på korrosion, " sagde Homer. "Hvis du kan reducere omkostningerne ved at behandle korrosion med et par procent ved at udvikle mere modstandsdygtige metaller, du kan spare milliarder hvert år. Det er ikke et lille beløb."