Maskinindlæringsmodel forudsiger fænomenets nøgle til forståelse af materielle egenskaber

Ved hjælp af maskinlæring, evolutionære algoritmer og andre avancerede beregningsteknikker, forskere ved Lawrence Livermore National Laboratory (LLNL) har med succes modelleret, hvordan atomer er arrangeret mellem de krystaller, der udgør de fleste materialer, en udvikling, der kan påvirke, hvordan fremtidige materialer designes og optimeres.

Mens de fleste materialer kan se ud for det blotte øje som ensartede faste stoffer, de består faktisk af bittesmå krystallitter eller korn adskilt på atomniveau med grænseflader, som forskere kalder korngrænser. På grund af deres betydning for materielle egenskaber og funktioner, strukturerne af disse korngrænser er blevet grundigt undersøgt. Imidlertid, at søge i milliarder af mulige strukturer i hånden og forsøge at forudsige deres adfærd har været en øvelse i forgæveshed.

Forskere på LLNL, University of Nevada-Las Vegas, Stony Brook University og UC Davis har udtænkt en metode baseret på evolutionære algoritmer og maskinlæring, der er i stand til at kæmme igennem det store rum for, hvordan atomer i korngrænser kan arrangeres og forudsige, hvordan de vil interagere under visse betingelser. Forskere sagde, at metoden endelig giver en måde at forudsige materialegenskaber og kan føre til store gennembrud i udviklingen af ​​materialer med større styrke, mere varmebestandighed eller højere ledningsevne. Avisen blev vist på The Minerals, Metals &Materials Society's 2018 internationale konference i Phoenix tidligere på året.

"Det, vi udviklede, er det første af sin slags beregningsværktøj, der effektivt prøver mulige strukturer af korngrænser og finder lavenergistrukturer samt vigtige metastabile tilstande, "sagde LLNL -videnskabsmanden Timofey Frolov, projektets hovedforsker. "Det overraskende og chokerende er, at vi troede, at vi forstod grænsernes strukturer, men det gør vi ikke. I bund og grund, Vi starter forfra nu, fordi mange grænser, vi ser på, har en anden struktur end det, vi tidligere troede. "

Den atomistiske sammensætning af korngrænser er grundlaget for, hvordan visse materialer vil udføre eller ændre faser (dvs. fast til en væske) under forhold som intens varme eller ekstremt tryk. Brug af maskinlæring til at udforske mulige strukturer og have evnen til at modellere dem beregningsmæssigt kan have en betydelig indvirkning på design af materialer til en bred vifte af energianvendelser, herunder solid state -brændselsceller, termoelektrisk til elproduktion, ilt sensorer, optiske fibre, afbrydere, laserforstærkere og linser, sagde forskere.

"Der har været en revolution i de seneste år ved at bruge maskinlæring til at komme til ting, man ikke kunne komme til før, og søgningen efter en korngrænsestruktur gav forkerte resultater - du har brug for kraften i disse moderne teknikker for at finde det rigtige svar, "sagde LLNL Computational Materials Science Group Leader Robert Rudd." Mange af de teknologiske ændringer, vi har set i de seneste årtier, er blevet muliggjort af materialer, der ikke tidligere eksisterede, så aktivering og optimering af design til disse strukturer bliver en game-changer. "

Forskere skabte og karakteriserede den nye model ved hjælp af kobber og har med succes demonstreret og testet den med silicium, wolfram og andre materialer. Det implementeres også allerede inden for LLNLs fusionsenergiprogram. Frolov sagde, at han ønsker at videreudvikle metoden til funktionel keramik i systemer med mange elementer, som viser fascinerende og komplicerede overgange ved høj temperatur.

"Et stort antal nylige eksperimentelle undersøgelser viste dramatiske ændringer i kornvækstadfærd i keramiske materialer efter doping og knyttet disse ændringer til strukturelle overgange ved korngrænser, "Sagde Frolev." F.eks. en dannelse af unormalt store korn kan drastisk ændre egenskaber ved et materiale, men svært at forudsige eller kontrollere. Vores nye metode giver første solide bevis på overgange ved korngrænser. Vi kan nu forudsige forskellige tilstande af korngrænser og forklare de pludselige ændringer i egenskaberne af materialer, der ser i eksperimentet. "