Dyb læring for nye legeringer

Hvornår er noget mere end blot summen af ​​dets dele? Legeringer viser en sådan synergi. Stål revolutionerede for eksempel industrien ved at tage jern, tilføje lidt kulstof og gøre en legering meget stærkere end nogen af ​​dens komponenter.

Supercomputersimuleringer hjælper videnskabsmænd med at opdage nye typer legeringer, kaldet højentropi-legeringer. Forskere har brugt Stampede2 supercomputer fra Texas Advanced Computing Center (TACC) tildelt af Extreme Science and Engineering Discovery Environment (XSEDE).

Deres forskning blev offentliggjort i april 2022 i Npj Computational Materials . Tilgangen kunne anvendes til at finde nye materialer til batterier, katalysatorer og mere uden behov for dyre metaller såsom platin eller kobolt.

"Højentropi-legeringer repræsenterer et helt andet designkoncept. I dette tilfælde forsøger vi at blande flere hovedelementer sammen," siger seniorforfatter Wei Chen, lektor i materialevidenskab og teknik ved Illinois Institute of Technology.

Udtrykket "høj entropi" refererer i en nøddeskal til faldet i energi opnået ved tilfældig blanding af flere grundstoffer ved lignende atomare fraktioner, hvilket kan stabilisere nye og nye materialer som følge af 'cocktailen'.

Til undersøgelsen undersøgte Chen og kolleger et stort rum med 14 elementer og de kombinationer, der gav højentropi-legeringer. De udførte høj-throughput kvantemekaniske beregninger, som fandt legeringens stabilitet og elastiske egenskaber, evnen til at genvinde deres størrelse og form fra stress, af mere end 7.000 højentropi legeringer.

"Dette er efter vores viden den største database over de elastiske egenskaber af højentropi legeringer," tilføjede Chen.

De tog derefter dette store datasæt og anvendte en Deep Sets-arkitektur, som er en avanceret deep learning-arkitektur, der genererer prædiktive modeller for egenskaberne af nye højentropi-legeringer.

"Vi udviklede en ny maskinlæringsmodel og forudsagde egenskaberne for mere end 370.000 højentropi legeringssammensætninger," sagde Chen.

Den sidste del af deres undersøgelse brugte det, der kaldes association rule mining, en regelbaseret maskinlæringsmetode, der bruges til at opdage nye og interessante relationer mellem variabler, i dette tilfælde hvordan individuelle eller kombinationer af elementer vil påvirke egenskaberne af højentropi legeringer.

"Vi udledte nogle designregler for udvikling af højentropi-legeringer. Og vi foreslog flere sammensætninger, som eksperimentalister kan prøve at syntetisere og lave," tilføjede Chen.

Højentropi-legeringer er en ny grænse for materialeforskere. Som sådan er der meget få eksperimentelle resultater. Denne mangel på data har således begrænset videnskabsmænds kapacitet til at designe nye.

"Det er derfor, vi udfører high-throughput-beregningerne for at overskue et meget stort antal højentropi-legeringsrum og forstå deres stabilitet og elastiske egenskaber," sagde Chen.

Han henviste til mere end 160.000 første-princip-beregninger i dette seneste arbejde.

"Alene antallet af beregninger er dybest set ikke muligt at udføre på individuelle computerklynger eller personlige computere," sagde Chen. "Det er derfor, vi har brug for adgang til højtydende computerfaciliteter, som dem hos TACC, der er tildelt af XSEDE."

Chen blev tildelt tid på Stampede2 supercomputer hos TACC gennem XSEDE, et virtuelt samarbejde finansieret af National Science Foundation (NSF), der muliggør gratis, tilpasset adgang til avancerede digitale ressourcer, rådgivning, træning og mentorskab.

Desværre egnede EMTO-CPA-koden Chen brugt til beregningerne af kvantemekaniske tæthedsfunktionsteori ikke sig godt til den parallelle karakter af højtydende databehandling, som typisk tager store beregninger og opdeler dem i mindre, der kører samtidigt.

"Stampede2 og TACC gennem XSEDE gav os en meget nyttig kode kaldet Launcher, som hjalp os med at pakke individuelle små job ind i et eller to store job, så vi kan drage fuld fordel af Stampede2 's højtydende computing noder," sagde Chen.

Launcher-scriptet, der blev udviklet hos TACC, gjorde det muligt for Chen at pakke omkring 60 små job i ét og derefter køre dem samtidigt på en højtydende node. Det øgede deres beregningseffektivitet og hastighed.

"Det er klart, at dette er en unik anvendelse til supercomputere, men det er også ret almindeligt for mange materialemodelleringsproblemer," sagde Chen.

Til dette arbejde anvendte Chen og kolleger en computernetværksarkitektur kaldet Deep Sets til at modellere egenskaber af højentropi-legeringer.

Deep Sets-arkitekturen kan bruge de elementære egenskaber af individuelle højentropi-legeringer og bygge prædiktive modeller til at forudsige egenskaberne af et nyt legeringssystem.

"Fordi denne ramme er så effektiv, blev det meste af træningen udført på vores elevs personlige computer," sagde Chen. "Men vi brugte TACC Stampede2 at lave forudsigelser ved hjælp af modellen."

Chen gav eksemplet med den meget undersøgte Cantor-legering - en nogenlunde lige blanding af jern, mangan, kobolt, krom og nikkel. Det interessante ved den er, at den modstår at blive skør ved meget lave temperaturer.

En grund til dette er, hvad Chen kaldte 'cocktaileffekten', som frembringer overraskende adfærd sammenlignet med de indgående elementer, når de blandes sammen i nogenlunde lige store fraktioner som en legering med høj entropi.

Den anden grund er, at når flere elementer blandes, åbnes et næsten ubegrænset designrum til at finde nye kompositoriske strukturer og endda et helt nyt materiale til applikationer, der ikke var mulige før.

"Forhåbentlig vil flere forskere bruge beregningsværktøjer til at hjælpe dem med at indsnævre de materialer, de ønsker at syntetisere," sagde Chen. "Højentropi legeringer kan fremstilles af let skaffede elementer, og forhåbentlig kan vi erstatte de ædle metaller eller elementer som f.eks. platin eller kobolt, der har problemer med forsyningskæden. Disse er faktisk strategiske og bæredygtige materialer til fremtiden." + Udforsk yderligere

Team tager gætværket ud af at opdage nye højentropi-legeringer