Team kombinerer banebrydende modellering med 300-årig statistisk analyseteknik for at forbedre materialegenskaber

På et tidspunkt i dit liv, du har sikkert haft nogen - en forælder, en lærer, en mentor - fortæl dig at "jo mere du øver, jo bedre du bliver. "Udtrykket tilskrives ofte Thomas Bayes, en 18 ^th århundredes britiske minister, der var interesseret i at vinde ved spil og formaliserede denne enkle observation til et nu berømt matematisk udtryk.

Bruges til at undersøge adfærd, egenskaber og andre mekanismer, der udgør et begreb eller fænomen, Bayesiansk analyse anvender en række forskellige, men lignende, data for statistisk at informere en optimal model om dette koncept eller fænomen.

"Kort fortalt, Bayesiansk statistik er en måde at starte med vores bedste aktuelle forståelse og derefter opdatere den med nye data fra eksperimenter eller simuleringer for at komme med en bedre informeret forståelse, "sagde Noah Paulson, en computermaterialeforsker ved US Department of Energy's (DOE) Argonne National Laboratory.

Metoden gav en vis succes i løbet af de 300 år siden dens begyndelse, men det er en idé, hvis tid endelig er kommet.

På nogle felter, som kosmologi, forskere har haft succes med at udvikle og dele bayesiske teknikker og koder i nogen tid. I andre, ligesom materialevidenskab, implementering af bayesianske analysemetoder er lige begyndt at betale udbytte.

Paulson og flere Argonne -kolleger anvender bayesianske metoder til at kvantificere usikkerheder i materialers termodynamiske egenskaber. Med andre ord, de vil bestemme, hvor stor tillid de kan have til de data, de indsamler om materialer og de matematiske modeller, der bruges til at repræsentere disse data.

Selvom de statistiske teknikker kan anvendes på mange områder, forskerne satte sig for at skabe en optimal model af de termodynamiske egenskaber af hafnium (Hf), et metal, der dukker op som en nøglekomponent i computerelektronik. Resultater afledt af denne tilgang vil blive offentliggjort i september 2019 -udgaven af International Journal of Engineering Science .

"Vi fandt ud af, at vi ikke vidste alt, hvad vi kunne om dette materiale, fordi der var så mange datasæt og så mange modstridende oplysninger. Så vi udførte denne bayesianske analyse for at foreslå en model, som samfundet kan omfavne og bruge i forskning og anvendelse, "sagde Marius Stan, som leder intelligent materialedesign i Argonne's Applied Materials division (AMD) og er seniorkollega ved både University of Chicago's Consortium for Advanced Science and Engineering og Northwestern-Argonne Institute for Science and Engineering.

For at udlede en optimal model af et materiales termodynamiske egenskaber, forskere bruger nogle forudgående viden eller data relateret til emnet som udgangspunkt.

I dette tilfælde, teamet søgte at definere de bedste modeller for entalpien (mængden af ​​energi i et materiale) og den specifikke varme (den varme, der er nødvendig for at øge temperaturen på materialets enhedsmasse med en grad Celsius) af hafnium. Repræsenteret som ligninger og matematiske udtryk, modellerne har forskellige parametre, der styrer dem. Målet er at finde de optimale parametre.

"Vi måtte starte med et gæt om, hvad disse parametre skulle være, "sagde Paulson fra AMDs gruppe af termiske og strukturelle materialer." Når vi gennemgik litteraturen, fandt vi nogle områder og værdier, der gav mening, så vi brugte dem til vores tidligere distribution. "

En af de parametre, forskerne undersøgte, er temperaturen på en krystal højeste normale vibrationsform. Omtales som Einstein- eller Debye -temperaturen, denne parameter påvirker et materiales specifikke varme.

Det forudgående - eller indledende - gæt er baseret på eksisterende modeller, foreløbige data eller intuition af eksperter på området. Ved hjælp af kalibreringsdata fra eksperimenter eller simulering, Bayesiansk statistik opdaterer denne forudgående viden og bestemmer det bageste - den opdaterede forståelse af modellen. Den bayesiske ramme kan derefter afgøre, om nye data er i bedre eller dårligere overensstemmelse med modellen, der testes.

"Ligesom kosmologi, materialevidenskaben skal finde den optimale model og parameterværdier, der bedst forklarer dataene og derefter bestemme usikkerheden i forbindelse med disse parametre. Der er ikke meget point i at have en bedst egnet parameterværdi uden en fejllinje, sagde teammedlem Elise Jennings, en beregningsforsker i statistik med Argonne Leadership Computing Facility (ALCF), en DOEOffice of Science -brugerfacilitet, og en medarbejder ved Kavli Institute for Cosmological Physics ved University of Chicago.

Og det, hun sagde, er den største udfordring for materialevidenskaben:mangel på fejllinjer eller usikkerheder noteret i tilgængelige datasæt. Hafnium -forskningen, for eksempel, påberåbt sig datasæt valgt fra tidligere offentliggjorte papirer, men fejlområder var enten fraværende eller udelukket.

Så, ud over at præsentere modeller for hafniums specifikke termodynamiske egenskaber, artiklen undersøger også teknikker, hvormed materialevidenskab og andre studieretninger kan tage højde for datasæt, der ikke har usikkerheder.

"For en videnskabsmand eller en ingeniør, dette er et vigtigt problem, "sagde Stan." Vi præsenterer en bedre måde at evaluere, hvor værdifuld vores information er. Vi vil gerne vide, hvor stor tillid vi kan sætte til modellerne og dataene. Og dette arbejde afslører en metode, en bedre måde at evaluere det på. "

Et papir baseret på undersøgelsen, "Bayesianske strategier til usikkerhedskvantificering af materialers termodynamiske egenskaber, "er tilgængelig online (13. juni) og vil blive vist i september 2019 -udgaven af International Journal of Engineering Science . Noah Paulson, Elise Jennings og Marius Stan samarbejdede om forskningen.