Fremgangsmåde til visualisering af defekter i krystalfaste stoffer forstærket af kunstig intelligens

Krystaller er allestedsnærværende:de fleste metaller, for eksempel, er krystallinske. Kendt for den næsten perfekte organisering af deres atomer, krystaller indeholder ikke desto mindre altid ufuldkommenheder, som kaldes defekter. Koncentrationen og morfologien af ​​defekter i et krystallinsk fast stof har en direkte indflydelse på materialets egenskaber. Forbedring af forståelsen af ​​krystalfejl og deres udvikling vil derfor gøre det lettere at forudsige ændringer i, hvordan materialer ændrer sig over tid. Forståelse af sådanne ændringer er især afgørende for at sikre det optimale design af faciliteter, der er udsat for alvorlige miljøforhold såsom bestråling.

I moderne materialevidenskab, forskere simulerer begyndelsen og udviklingen af ​​defekter i krystallinske faste stoffer ved hjælp af computersimuleringer i meget stor skala. Imidlertid, den enorme strøm af data, der genereres, gør analyse af numeriske simuleringseksperimenter til en ekstremt kompleks proces. Forskere ved CEA, resultaterne af hvis arbejde er for nylig blevet offentliggjort i Naturkommunikation , foreslå en ny tilgang, der kan anvendes universelt for at overvinde denne vanskelighed. Denne nye tilgang er den første metode, der kan anvendes på alle materialer med en krystallinsk struktur. Giver en kontinuerlig visualisering af en defekt og dens atomare miljø, dette letter beskrivelsen af ​​komplekse fysiske processer såsom migration af defekter under bestråling.

Forskerne, fra Nuclear Energy Division og Military Applications Division i CEA, har trukket på kunstig intelligens metoder til at udvikle en algoritme, der beskriver forvrængninger i det lokale atomare miljø forårsaget af defekter i materialet. Denne forvrængningsscore letter automatisk defektlokalisering og muliggør en "stratificeret" beskrivelse af defekter, der kan bruges til at skelne mellem zoner med forskellige niveauer af forvrængning i den krystallinske struktur.

Resultaterne af denne undersøgelse åbner op for mange spændende muligheder for fremtidig udvikling på tværs af hele det materialevidenskabelige samfund. Disse simuleringsværktøjer kan bruges til at automatisere analyse af enorme datasæt, såsom dem, der genereres som et resultat af eksperimentelle teknikker som atomsondetomografi, transmissionselektronmikroskopi og synkrotronstråling, metoder, der allerede bruges til at undersøge stoffets mysterier. Denne udvikling kan også anvendes på andre områder, herunder kemi, biologi og medicin, for eksempel, at opdage cellulære defekter, der er karakteristiske for kræft.