Fra gamle mineraler til nye materialer:Forudsigelse af smeltetemperatur ved hjælp af en grafisk neural netværksmodel

Hvis du tilfører tilstrækkelig varme, smelter det meste på et tidspunkt, ligesom is på en varm sommerdag.

At kende nøjagtige smeltetemperaturer er afgørende for at bygge ethvert højtydende materiale. Bygningen og sikkerheden af ​​broer, gasturbiner, jetmotorer og varmeskjolde på fly er afhængig af at kende materialernes ydeevnegrænser. Materialer syntetiseres eller forarbejdes ofte ved at anvende den smeltede eller flydende tilstand, så det er vigtigt at vide, at smeltning er afgørende for at lave nye materialer.

Skift til området for jord- og planetvidenskab, og smeltepunkterne bruges til at afsløre spor i Jordens fortid og karakteristika for planeter i vores solsystem og fjerntliggende exoplaneter.

Men at måle smeltetemperaturen af ​​en forbindelse eller et materiale er en besværlig opgave. Det er derfor, af de anslåede 200.000 plus uorganiske forbindelser, er mindre end 10 % af deres smeltetemperaturer kendt.

Smeltetemperaturer måles ofte efter omhyggelig kalibrering af krystalstrukturer eller plotning af de termodynamiske frie energikurver, når et materiale smelter, hvilket skaber en faseændring fra et fast stof til en væske. Dette er analogt med smeltning af fast is for at danne flydende vand. Men når materialer med høj temperatur overstiger 2.000 eller 3.000 grader, kan det være en udfordring at finde et forsøgskammer til at udføre målingerne. Og nogle gange har klipper komplekse blandinger af mineraler, der ikke er meget større end et sandkorn - så det kan også være en udfordring at få nok prøve af et enkelt mineral. Materialer syntetiseret under ekstreme forhold med højt tryk og temperatur er også ofte kun tilgængelige i meget små mængder.

Nu har forskere fra Arizona State University Qi-Jun Hong, Alexandra Navrotsky og Sergey Ushakov sammen med Axel van de Walle ved Brown University udnyttet kraften i kunstig intelligens (AI) eller machine learning (ML) til at demonstrere en nemmere måde at forudsige smeltetemperaturer for potentielt enhver forbindelse eller kemisk formel.

"Vi anvender maskinlæringsmetoder til at udfylde dette hul ved at bygge en hurtig og nøjagtig kortlægning fra kemisk formel til smeltetemperatur," sagde Hong, assisterende professor ved School for Engineering of Matter, Transport and Energy, i Ira A. Fulton Schools of Engineering.

"Den model, vi har udviklet, vil lette dataanalyse i stor skala, der involverer smeltetemperatur på en lang række områder. Disse omfatter opdagelsen af ​​nye højtemperaturmaterialer, design af nye udvindingsmetallurgiprocesser, modellering af mineraldannelse, evolutionen af Jorden over geologisk tid, og forudsigelsen af ​​exoplanetstruktur."

Hongs tilgang tillader smeltetemperaturer at blive beregnet i millisekunder for enhver forbindelse eller kemisk formel input. For at gøre det byggede forskerholdet en model ud fra en arkitektur af neurale netværk og trænede deres maskinlæringsprogram på en skræddersyet kurateret database omfattende 9.375 materialer, hvoraf 982 forbindelser har smeltetemperaturer højere end brændende 3100 grader Fahrenheit (eller 2000 grader Kelvin). Materialer ved denne temperatur lyser hvidglødende.

Hong brugte denne metodologi til at udforske to forskningslinjer:1) forudsige smeltetemperaturerne for næsten 5.000 mineraler og 2) finde nye materialer, der har ekstremt høje smeltetemperaturer over 3000 Kelvin (eller 5000 grader Fahrenheit).

Til mineralprojektet var Hongs team i stand til at forudsige smeltetemperaturer og korrelere disse med de kendte store geologiske epoker i Jordens historie. Disse AI-indsamlede smeltetemperaturer blev anvendt på mineraler lavet siden jordens dannelse for omkring 4,5 milliarder år siden. De ældste mineraler stammer direkte fra stjerner eller interstellare og soltågekondensater, der var forud for Jordens dannelse for 4,5 milliarder år siden. Disse er de mest ildfaste, med smeltetemperaturer omkring 2600 F.

For det meste var der et gradvist fald i de beregnede smeltetemperaturer for mineraler identificeret på Jorden med nyere tid, med to store undtagelser.

"Det gradvise overordnede fald i smeltetemperaturen for mineraler dannet under Jordens historie afbrydes med to anomalier, som er tydeligt udtalt i gennemsnitlige og mellemstore smeltetemperaturer ved brug af binning for 250 eller 500 millioner år siden," sagde Navrotsky, en ASU-professor med fælles fakultet. udnævnelser i School of Molecular Sciences og School for Engineering of Matter, Transport and Energy og direktør for MOTU, Navrotsky Eyring Center for Materialer i Universet.

Den første anomali i Jordens tidlige historie kom fra en dramatisk temperaturstigning forårsaget af en skræmmende og dynamisk tid med store meteorangreb, inklusive den mulige dannelse af Månen.

"Tiden for 3,750 milliarder år siden korrelerer med den foreslåede timing af sent-tungt bombardement, hypotese udelukkende fra datering af måneprøver og i øjeblikket diskuteret," sagde Navrotsky.

Holdet bemærkede også et stort temperaturfald i smeltetemperaturerne for mineraler for omkring 1,75 milliarder år siden.

"Dykket for 1,750 milliarder år siden er relateret til de første kendte forekomster af et stort antal vandholdige (vandholdige) mineraler og korrelerer med Huronian-glaciationen, den længste istid, der menes at være første gang Jorden var fuldstændig dækket af is ."

Med deres maskinlæringsprogram trænet til succesfuldt at replikere mineralsmeltning i Jordens tidlige historie, vendte holdet derefter deres opmærksomhed mod at finde nye materialer, der har ekstremt høje smeltetemperaturer. Dusinvis af nye materialer er identificeret og beregningsmæssigt forudsagt at have ekstremt høje smeltetemperaturer over 5.000 grader Fahrenheit (3000 Kelvin), mere end halvdelen af ​​temperaturen på Solens overflade.

Holdet gjorde deres model enkel og pålidelig nok, så enhver bruger kan opnå smeltetemperaturen inden for få sekunder for enhver forbindelse, kun baseret på dens kemiske formel.

"For at bruge modellen skal en bruger besøge websiden og indtaste den kemiske sammensætning af materialet af interesse," sagde Hong. "Modellen vil reagere med en forudsagt smeltetemperatur i sekunder, såvel som de faktiske smeltetemperaturer for de nærmeste naboer (dvs. de mest lignende materialer) i databasen. Denne model fungerer således ikke kun som en forudsigelsesmodel, men en håndbog om smeltetemperatur også."

Modellen, der er hostet af ASU's Research Computing Facilities, er nu offentlig tilgængelig på ASU's hjemmeside:https://faculty.engineering.asu.edu/hong/melting-temperature-predictor/.

Forskningen blev offentliggjort i Proceedings of the National Academy of Sciences . + Udforsk yderligere

Forskere forbereder nyt lavtsmeltende, nitrogenholdigt, stannochlorophosphatglas