Maschinelles Lernen enthüllt Geheimnisse hochentwickelter Legierungen | MIT Information

Das Konzept der Nahordnung (SRO) – die Anordnung von Atomen über kleine Entfernungen – in metallischen Legierungen wurde in der Materialwissenschaft und Werkstofftechnik bisher kaum erforscht. Im letzten Jahrzehnt ist jedoch ein erneutes Interesse an seiner Quantifizierung zu verzeichnen, da die Entschlüsselung der SRO ein entscheidender Schritt zur Entwicklung maßgeschneiderter Hochleistungslegierungen, wie etwa stärkerer oder hitzebeständigerer Materialien, ist.

Zu verstehen, wie sich Atome anordnen, ist keine leichte Aufgabe und muss durch umfangreiche Laborexperimente oder Computersimulationen auf der Grundlage unvollkommener Modelle überprüft werden. Diese Hürden haben es schwierig gemacht, SRO in metallischen Legierungen vollständig zu erforschen.

Killian Sheriff und Yifan Cao, Doktoranden in der Abteilung für Materialwissenschaft und Werkstofftechnik (DMSE) des MIT, nutzen maschinelles Lernen, um die komplexen chemischen Strukturen, aus denen SRO besteht, Atom für Atom zu quantifizieren. Unter der Aufsicht von Assistenzprofessor Rodrigo Freitas und mit Hilfe von Assistenzprofessorin Tess Smidt in der Abteilung für Elektrotechnik und Informatik wurde ihre Arbeit kürzlich veröffentlicht In Der Verfahren der Nationalen Akademie der Wissenschaften.

Das Interesse am Verständnis von SRO hängt mit der Begeisterung für fortschrittliche Materialien, sogenannte Hochentropielegierungen, zusammen, die aufgrund ihrer komplexen Zusammensetzung überragende Eigenschaften besitzen.

Normalerweise entwickeln Materialwissenschaftler Legierungen, indem sie ein Factor als Foundation verwenden und kleine Mengen anderer Elemente hinzufügen, um bestimmte Eigenschaften zu verbessern. Die Zugabe von Chrom zu Nickel macht das entstehende Metall beispielsweise korrosionsbeständiger.

Im Gegensatz zu den meisten herkömmlichen Legierungen bestehen Hochentropielegierungen aus mehreren Elementen, von drei bis zu 20, in nahezu gleichen Anteilen. Dies bietet einen enormen Gestaltungsspielraum. „Es ist, als ob man ein Rezept mit viel mehr Zutaten zubereitet“, sagt Cao.

Das Ziel ist, SRO als „Knopf“ zu verwenden, um Materialeigenschaften anzupassen, indem chemische Elemente in Legierungen mit hoher Entropie auf einzigartige Weise gemischt werden. Dieser Ansatz hat potenzielle Anwendungen in Branchen wie der Luft- und Raumfahrt, der Biomedizin und der Elektronik und erfordert laut Cao die Erforschung von Permutationen und Kombinationen von Elementen.

Erfassung kurzfristiger Aufträge

Kurzstreckenordnung bezeichnet die Tendenz von Atomen, chemische Anordnungen mit bestimmten Nachbaratomen zu bilden. Ein oberflächlicher Blick auf die Elementverteilung einer Legierung könnte zwar darauf schließen lassen, dass ihre Bestandteile zufällig angeordnet sind, aber das ist oft nicht der Fall. „Atome haben eine Vorliebe dafür, bestimmte Nachbaratome in bestimmten Mustern anzuordnen“, sagt Freitas. „Wie oft diese Muster auftreten und wie sie im Raum verteilt sind, definiert Kurzstreckenordnung.“

Das Verständnis von SRO eröffnet den Schlüssel zum Reich der Materialien mit hoher Entropie. Leider ist über SRO in Legierungen mit hoher Entropie noch nicht viel bekannt. „Es ist, als würden wir versuchen, ein riesiges Lego-Modell zu bauen, ohne zu wissen, welches das kleinste Lego-Stück ist, das man haben kann“, sagt Sheriff.

Herkömmliche Methoden zum Verständnis von SRO umfassen kleine Computermodelle oder Simulationen mit einer begrenzten Anzahl von Atomen, die ein unvollständiges Bild komplexer Materialsysteme liefern. „Hochentropiematerialien sind chemisch komplex – man kann sie mit nur wenigen Atomen nicht intestine simulieren; man muss wirklich einige Längenskalen darüber hinausgehen, um das Materials genau zu erfassen“, sagt Sheriff. „Ansonsten ist es, als würde man versuchen, seinen Stammbaum zu verstehen, ohne einen der Eltern zu kennen.“

SRO wurde auch mithilfe einfacher Mathematik berechnet, indem die unmittelbaren Nachbarn einiger Atome gezählt und berechnet wurde, wie diese Verteilung im Durchschnitt aussehen könnte. Trotz seiner Popularität hat dieser Ansatz Einschränkungen, da er ein unvollständiges Bild von SRO liefert.

Glücklicherweise nutzen Forscher maschinelles Lernen, um die Mängel herkömmlicher Ansätze zur Erfassung und Quantifizierung von SRO zu überwinden.

Hyunseok OhAssistenzprofessor im Division für Materialwissenschaft und Werkstofftechnik an der College of Wisconsin in Madison und ehemaliger Postdoc bei DMSE, freut sich darauf, SRO eingehender zu untersuchen. Oh, der nicht an dieser Studie beteiligt struggle, erforscht, wie man Legierungszusammensetzung, Verarbeitungsmethoden und deren Beziehung zu SRO nutzen kann, um bessere Legierungen zu entwickeln. „Die Physik von Legierungen und der atomistische Ursprung ihrer Eigenschaften hängen von der Nahordnung ab, aber die genaue Berechnung der Nahordnung struggle bisher quick unmöglich“, sagt Oh.

Eine zweigleisige Lösung für maschinelles Lernen

Um SRO mithilfe maschinellen Lernens zu untersuchen, sei es hilfreich, sich die Kristallstruktur in Legierungen mit hoher Entropie als ein Punkte-Verbinden-Spiel in einem Malbuch vorzustellen, sagt Cao.

„Man muss die Regeln zum Verbinden der Punkte kennen, um das Muster zu erkennen.“ Und man muss die atomaren Wechselwirkungen mit einer Simulation erfassen, die groß genug ist, um das gesamte Muster abzubilden.

Um die Regeln zu verstehen, mussten wir zunächst die chemischen Bindungen in Legierungen mit hoher Entropie reproduzieren. „Es gibt kleine Energieunterschiede in chemischen Mustern, die zu Unterschieden in der Nahordnung führen, und dafür hatten wir kein gutes Modell“, sagt Freitas. Das vom Group entwickelte Modell ist der erste Baustein zur genauen Quantifizierung von SRO.

Der zweite Teil der Herausforderung, nämlich sicherzustellen, dass die Forscher das Gesamtbild erfassen, struggle komplexer. Legierungen mit hoher Entropie können Milliarden chemischer „Motive“ aufweisen, Kombinationen von Atomanordnungen. Diese Motive anhand von Simulationsdaten zu identifizieren, ist schwierig, da sie in symmetrisch äquivalenten Formen auftreten können – gedreht, gespiegelt oder umgekehrt. Auf den ersten Blick sehen sie möglicherweise unterschiedlich aus, enthalten aber dennoch die gleichen chemischen Bindungen.

Das Group löste dieses Downside durch den Einsatz 3D-euklidische neuronale Netzwerke. Diese fortschrittlichen Computermodelle ermöglichten es den Forschern, chemische Motive aus Simulationen von Materialien mit hoher Entropie in beispiellosem Element zu identifizieren und sie Atom für Atom zu untersuchen.

Die letzte Aufgabe bestand darin, den SRO zu quantifizieren. Freitas nutzte maschinelles Lernen, um die verschiedenen chemischen Motive zu bewerten und jedes mit einer Nummer zu versehen. Wenn Forscher den SRO für ein neues Materials quantifizieren möchten, führen sie es durch das Modell, das es in seiner Datenbank sortiert und eine Antwort ausspuckt.

Das Group investierte außerdem zusätzliche Anstrengungen in die Rahmen für die Motividentifizierung zugänglicher. „Wir haben dieses Blatt mit allen möglichen Permutationen von (SRO) bereits eingerichtet und wissen, welche Nummer jede davon durch diesen maschinellen Lernprozess erhalten hat“, sagt Freitas. „Wenn wir additionally später auf Simulationen stoßen, können wir sie sortieren, um zu erfahren, wie dieses neue SRO aussehen wird.“ Das neuronale Netzwerk erkennt Symmetrieoperationen problemlos und markiert äquivalente Strukturen mit derselben Nummer.

„Wenn man alle Symmetrien selbst zusammenstellen müsste, wäre das ein großer Aufwand. Maschinelles Lernen hat das für uns sehr schnell und günstig genug organisiert, um es in der Praxis anwenden zu können“, sagt Freitas.

Entdecken Sie den schnellsten Supercomputer der Welt

In diesem Sommer haben Cao und Sheriff mit ihrem Group die Möglichkeit, im Rahmen des US-Energieministeriums zu untersuchen, wie sich SRO unter routinemäßigen Metallverarbeitungsbedingungen wie Gießen und Kaltwalzen verändern kann. INCITE-Programmdie den Zugriff auf Grenzeder schnellste Supercomputer der Welt.

„Wenn Sie wissen möchten, wie sich die kurzfristige Ordnung während der tatsächlichen Metallherstellung ändert, benötigen Sie ein sehr gutes Modell und eine sehr umfangreiche Simulation“, sagt Freitas. Das Group verfügt bereits über ein starkes Modell; es wird nun die Rechenkapazitäten von INCITE für die erforderlichen robusten Simulationen nutzen.

„Dadurch hoffen wir, die Artwork von Mechanismen aufzudecken, die Metallurgen nutzen könnten, um Legierungen mit vorbestimmtem SRO zu konstruieren“, fügt Freitas hinzu.

Sheriff ist von den vielen Versprechen der Forschung begeistert. Eins davon sind die 3D-Informationen, die man über chemische SRO erhalten kann. Während herkömmliche Transmissionselektronenmikroskope und andere Methoden auf zweidimensionale Daten beschränkt sind, können physikalische Simulationen die Punkte ergänzen und vollen Zugriff auf 3D-Informationen geben, sagt Sheriff.

„Wir haben einen Rahmen eingeführt, um über chemische Komplexität zu sprechen“, erklärt Sheriff. „Jetzt, da wir dies verstehen, gibt es eine ganze Reihe materialwissenschaftlicher Erkenntnisse zu klassischen Legierungen, um Vorhersagetools für Materialien mit hoher Entropie zu entwickeln.“

Dies könnte zur gezielten Entwicklung neuer Materialklassen führen, statt einfach im Dunkeln zu tappen.

Die Forschung wurde vom MathWorks Ignition Fund, dem MathWorks Engineering Fellowship Fund und der portugiesischen Stiftung für internationale Zusammenarbeit in Wissenschaft, Technologie und Hochschulbildung im MIT-Portugal-Programm finanziert.