Lasere, levitation og maskinlæring giver bedre varmebestandige materialer

Argonne -forskere på tværs af flere discipliner har kombineret kræfter til at skabe en ny proces til test og forudsigelse af virkningerne af høje temperaturer på ildfaste oxider.

Støbejern smelter ved omkring 1, 200 grader celsius. Rustfrit stål smelter ved omkring 1, 520 grader celsius. Hvis du ønsker at forme disse materialer til hverdagsgenstande, som panden i dit køkken eller de kirurgiske værktøjer, der bruges af læger, det er naturligt, at du skal lave ovne og forme ud af noget, der kan modstå selv disse ekstreme temperaturer.

Det er her, ildfaste oxider kommer ind. Disse keramiske materialer kan modstå blærende varme og bevare deres form, hvilket gør dem nyttige til alle mulige ting, fra ovne og atomreaktorer til de varmeafskærmende fliser på rumfartøjer. Men i betragtning af de ofte farlige miljøer, hvor disse materialer bruges, videnskabsmænd ønsker at forstå så meget som de kan om, hvad der sker med dem ved høje temperaturer, før komponenter bygget af disse materialer støder på disse temperaturer i den virkelige verden.

"Jeg siger ikke, at mennesker ikke er store, men hvis vi får hjælp fra computere og software, vi kan være større. Det åbner døren for flere eksperimenter som dette, der fremmer videnskaben." - Marius Stan, programleder, Intelligent Materiale Design, Argonne

Et team af forskere fra det amerikanske energiministeriums (DOE) Argonne National Laboratory har fundet på en måde at gøre netop det på. Ved hjælp af innovative eksperimentelle teknikker og en ny tilgang til computersimuleringer, gruppen har udtænkt en metode til ikke kun at indhente præcise data om de strukturelle ændringer, disse materialer gennemgår nær deres smeltepunkter, men mere præcist at forudsige andre ændringer, der ikke kan måles i øjeblikket.

Holdets arbejde er blevet offentliggjort i Fysiske anmeldelsesbreve .

Kimen til dette samarbejde blev plantet af Marius Stan, leder af programmet Intelligent Materials Design i Argonnes Applied Materials -division. Stans gruppe havde udviklet masser af modeller og simuleringer om smeltepunkter for ildfaste oxider, men han ville prøve dem.

"Det bunder i ønsket om at se, om vores matematiske modeller og simuleringer repræsenterer virkeligheden eller ej, " sagde Stan. "Men det har udviklet sig til en undersøgelse af maskinlæring. Det, jeg finder mest spændende, er, at der nu er en måde, hvorpå vi kan forudsige interaktioner mellem atomer automatisk."

Den innovation begyndte med at vende et velkendt manuskript, ifølge Ganesh Sivaraman, hovedforfatter på papiret og en assisterende computerforsker ved Data Science and Learning-afdelingen i Argonne. Han udførte dette arbejde, mens han var postdoc ved Argonne Leadership Computing Facility (ALCF), en DOE Office of Science brugerfacilitet.

Mens de fleste eksperimenter begynder med en teoretisk model - dybest set, et informeret og uddannet gæt på, hvad der vil ske under virkelige forhold - holdet ønskede at starte denne med eksperimentelle data og designe deres modeller omkring det.

Sivaraman fortæller en historie om en berømt tysk matematiker, der ville lære at svømme, så han tog en bog og læste om den. At skabe teorier uden at overveje de eksperimentelle data, Sivaraman sagde, er som at læse en bog om svømning uden nogensinde at komme i en pool. Og Argonne-holdet ville springe ind i den dybe ende.

"Det er mere præcist at bygge en model omkring eksperimentelle data, " sagde Sivaraman. "Det bringer modellen tættere på virkeligheden."

For at få disse data, beregningsforskerne gik sammen med fysiker Chris Benmore og assisterende fysiker Leighanne Gallington fra Argonnes røntgenvidenskabsafdeling. Benmore og Gallington arbejder hos Advanced Photon Source (APS), en DOE Office of Science brugerfacilitet i Argonne, som genererer meget lyse røntgenstråler for at belyse materialers strukturer, blandt andet. Den strålelinje, de brugte til dette eksperiment, giver dem mulighed for at undersøge den lokale og langrækkende struktur af materialer under ekstreme forhold, såsom høje temperaturer.

Selvfølgelig, opvarmning af ildfaste oxider - i dette tilfælde, hafniumdioxid, der smelter omkring 2, 870 grader Celsius - kommer med sine egne komplikationer. Normalt, prøven ville være i en beholder, men der er ikke en tilgængelig, der ville modstå disse temperaturer og stadig tillade røntgenstrålerne at passere gennem dem. Og du kan ikke engang hvile prøven på et bord, fordi bordet vil smelte før prøven gør det.

Løsningen kaldes aerodynamisk levitation og involverer forskere, der bruger gas til at suspendere en lille (2-3 mm i diameter) sfærisk prøve af materiale omkring en millimeter i luften.

"Vi har en dyse forbundet til en strøm af inert gas, og da den suspenderer prøven, en 400-watt laser opvarmer materialet fra oven, " sagde Gallington. "Du skal pille ved gasstrømmen for at få den til at svæve stabilt. Du vil ikke have det for lavt, fordi prøven vil røre dysen, og kan smelte til det."

Da dataene var taget, og beamline-forskere havde en god forståelse af noget af det, der sker, når hafniumoxid smelter, datalogerne tog bolden og løb med den. Sivaraman fodrede dataene ind i to sæt maskinlæringsalgoritmer, en af ​​dem, der forstår teorien og kan forudsige, og en anden - en aktiv læringsalgoritme - der fungerer som undervisningsassistent, kun at give den første de mest interessante data at arbejde med.

"Aktiv læring hjælper andre former for maskinlæring med at lære med færre data, Sivaraman forklarede. "Sig, at du vil gå fra dit hus til markedet. Der kan være mange måder at komme dertil, men du behøver kun at kende den korteste vej. Aktiv læring vil pege på den korteste vej og filtrere de andre fra."

Beregninger blev kørt på supercomputere på ALCF og Laboratory Computing Resource Center i Argonne. Hvad holdet endte med, er en computergenereret model baseret på virkelige data, en, der giver dem mulighed for at forudsige ting, som eksperimentalisterne ikke - eller ikke kunne - fange.

"Vi har det, der kaldes et multi-fase potentiale, og den kan forudsige en masse ting, " sagde Benmore. "Vi kan nu gå videre og give dig andre parametre, såsom hvor godt det bevarer sin form ved høje temperaturer, som vi ikke målte. Vi kan ekstrapolere, hvad der ville ske, hvis vi går ud over den temperatur, vi kan nå."

"Modellen er kun så god som de data, du giver den, og jo mere du giver det, jo bedre bliver det, " tilføjede Benmore. "Vi giver så meget information, som vi kan, og modellen bliver bedre."

Sivaraman beskriver dette arbejde som et proof of concept, en, der kan feed tilbage i yderligere eksperimenter. Det er et godt eksempel, han sagde, samarbejde mellem forskellige dele af Argonne, og forskning, der ikke kunne udføres uden ressourcer fra et nationalt laboratorium.

"Vi vil gentage dette eksperiment på andre materialer, " sagde Sivaraman. "Vores APS-kolleger har infrastrukturen til at studere, hvordan disse materialer smelter under ekstreme forhold, og vi arbejder sammen med dataloger om at bygge softwaren og streaming-infrastrukturen til hurtigt at behandle disse datasæt i stor skala. Vi kan integrere aktiv læring i rammen og lære modeller til mere effektivt at behandle datastrømmen ved hjælp af ALCF -supercomputere. "

For Stan, proof of concept er en, der kan erstatte den nødvendige kedelighed af mennesker, der udarbejder disse præcise beregninger. Han har set denne teknologi udvikle sig i løbet af sin karriere, og nu tager det, der engang tog måneder, kun et par dage.

"Jeg siger ikke, at mennesker ikke er store, " grinede han, "men hvis vi får hjælp fra computere og software, vi kan blive større. Det åbner døren for flere eksperimenter som dette, der fremmer videnskaben."