Nanostruktur komplekse materialer modellering

Materialer med kemikalier, optisk, og elektroniske egenskaber drevet af strukturer, der måler milliardtedele af en meter, kan føre til forbedrede energiteknologier – fra mere effektive solceller til længerevarende energitætte batterier. Videnskabelige instrumenter som dem ved Brookhaven Labs Center for Functional Nanomaterials (CFN) og den netop åbnede National Synchrotron Light Source II (NSLS-II), både DOE Office of Science brugerfaciliteter, tilbyde nye måder at studere materialer på denne nanometerlængdeskala - også når de fungerer i faktiske enheder.

Disse eksperimenter producerer enorme mængder data, afsløre vigtige detaljer om materialer. Men lige nu har forskere ikke de beregningsværktøjer, de har brug for til at bruge disse data til rationelt materialedesign – et trin, der er afgørende for at fremskynde opdagelsen af ​​materialer med de præstationskarakteristika, der kræves til den virkelige verden, storstilet implementering. For at nå det mål, det, der er brug for, er en ny måde at kombinere data fra en række eksperimenter sammen med teoretiske beskrivelser af materialers adfærd til valide forudsigelsesmodeller, som videnskabsmænd kan bruge til at udvikle kraftfulde nye materialer.

"Der er en meget god chance for, at ekspertise i højtydende databehandling og anvendte matematiske algoritmer udviklet med støtte fra DOE's Office of Advanced Scientific Computing Research (ASCR) kan hjælpe os med at gøre fremskridt på denne grænse, sagde Simon Billinge, en fysiker ved Brookhaven National Laboratory og Columbia University's School of Engineering and Applied Science. På SC14-konferencen, Simon præsenterede en potentiel løsning, der gør brug af matematisk teori og beregningsværktøjer til at udtrække den information, der er afgørende for at styrke modeller for materialeydelse.

"Mange af de modeller, vi har til disse materialer, er ikke robuste, " sagde han. "Ideelt set, vi vil gerne være i stand til at programmere i de egenskaber, vi ønsker - f.eks. effektiv konvertering af solenergi, superledningsevne, massiv elektrisk lagerkapacitet - og få modellen til at spytte designet ud for et nyt materiale, der vil have den egenskab, men det er klart umuligt med upålidelige modeller."

Kraftige eksperimentelle værktøjer såsom NSLS-II muliggør mere indviklede eksperimenter. Men ironisk nok, nogle af de nye teknikker gør opdagelsesprocessen vanskeligere.

Billinge forklarer:"Ægte materialer og virkelige anvendelser afhænger af fine detaljer i materialernes struktur, såsom defekter, overflader, og morfologi, så eksperimenter, der hjælper med at afsløre fine strukturelle detaljer, er afgørende. Men nogle af de mest interessante materialer er meget komplekse, og så bliver de gjort til endnu mere komplekse, multi-komponent enheder. Når vi placerer disse komplekse enheder i en røntgen- eller neutronspredningsstrålelinje, interaktioner mellem bjælkerne med alle de komplekse komponenter giver overlappende resultater. Du leder efter små signaler fra defekter og overflader skjult i en enorm baggrund af anden information fra de ekstra komponenter, alt sammen forringer den nyttige information."

På samme tid, kompleksiteten af ​​de modeller, som forskerne forsøger at bygge for at forstå disse materialer, er også stigende, så de har brug for mere information om disse væsentlige detaljer for at kunne føres ind i modellen, ikke mindre. Løsning af disse problemer pålidelighed, i betragtning af alle usikkerheder, kræver avancerede matematiske tilgange og højtydende databehandling, så Simon og hans samarbejdspartnere arbejder med ASCR på en tostrenget tilgang til at forbedre processen.

På inputsiden, de kombinerer resultater fra flere eksperimenter - røntgenspredning, neutronspredning, og også teori. På udgangssiden, videnskabsmændene forsøger at reducere det, der kaldes modellens dimensionalitet. Billinge forklarede dette som at ligne den komprimering, der skaber en mp3-musikfil ved at afgive uvæsentlige oplysninger, som de fleste ikke ville bemærke, mangler.

"Hvis vi reducerer kompleksiteten for at minimere det nødvendige input for at gøre problemet løseligt, vi kan køre det gennem kraftfulde højtydende computere, der bruger avancerede matematiske metoder afledt af informationsteori, kvantificering af usikkerhed, og andre dataanalytiske teknikker til at sortere gennem alle detaljer, " sagde han. De matematiske algoritmer kan sammensætte den komplementære information fra de forskellige eksperimenter - lidt ligesom lignelsen om de blinde mænd, der udforsker forskellige dele af en elefant, men nu deler og kombinerer deres resultater - og brug det til at forudsige kompleks materialestruktur.

"I lighed med en mp3-fil, der mangler nogle oplysninger i disse modeller. Men med den rigtige repræsentation kan det være godt nok til at have prædiktiv værdi og give os mulighed for at designe nye materialer, " sagde Billinge.