Úttörő gépi tanulás az ötvözetek rövid hatótávolságú rendjének feltárására
A fémötvözetek rövid hatótávolságú rendje (SRO) — az atomok elrendezése kis távolságokon — alulértékelt terület volt az anyagtudomány és mérnöki területen. Az elmúlt évtized azonban megújult érdeklődést hozott az SRO mennyiségi meghatározásában, mivel annak megfejtése kulcsfontosságú lépés a személyre szabott, nagy teljesítményű ötvözetek kifejlesztéséhez.
A Massachusetts Institute of Technology (MIT) Anyagtudományi és Mérnöki Tanszékének (DMSE) hallgatói, Killian Sheriff és Yifan Cao gépi tanulást használnak az atomról-atomra történő, bonyolult kémiai elrendezések kvantifikálására, amelyek az SRO-t alkotják. Munkájukat Rodrigo Freitas adjunktus és Tess Smidt adjunktus segítette, és nemrégiben publikálták a The Proceedings of the National Academy of Sciences folyóiratban.
Az SRO megértése azért is izgalmas, mert összefügg az előrehaladott anyagok, például a magas entropiájú ötvözetek körüli érdeklődéssel, amelyek összetett összetételeik révén kiváló tulajdonságokkal rendelkeznek. Tipikusan az anyagtudósok egy elemet használnak bázisként, majd kis mennyiségben hozzáadnak más elemeket bizonyos tulajdonságok javítása érdekében. Például a króm hozzáadása a nikkelhez növeli a fém korrózióállóságát.
A magas entropiájú ötvözetek azonban számos elemet tartalmaznak, háromtól akár húszig, közel egyenlő arányban. Ez hatalmas tervezési teret kínál. „Mintha egy receptet készítenél sokkal több hozzávalóval” – mondja Cao. Az SRO-t egy „gombként” szeretnék használni az anyagtulajdonságok szabályozására a kémiai elemek egyedi kombinációival történő keverésével. Ez a megközelítés alkalmazható az iparágakban, mint például a repülőgépipar, biomedicina és elektronika, ami szükségessé teszi az elemek permutációinak és kombinációinak felfedezését.
A rövid hatótávolságú rend rögzítése
A rövid hatótávolságú rend (SRO) az atomok azon hajlamát jelenti, hogy specifikus szomszédos atomokkal kémiai elrendezéseket alkotnak. Míg egy ötvözet elemi eloszlásának felületes vizsgálata azt jelezheti, hogy az alkotóelemei véletlenszerűen vannak elrendezve, ez gyakran nem így van. „Az atomoknak van egy preferenciájuk, hogy specifikus szomszédos atomokat rendezzenek el meghatározott mintákban” – mondja Freitas. „Az, hogy ezek a minták milyen gyakran fordulnak elő és hogyan vannak elosztva a térben, az határozza meg az SRO-t.”
Az SRO megértése feltárja a magas entropiájú anyagok királyságának kulcsait. Sajnos, nem sokat tudunk az SRO-ról a magas entropiájú ötvözetekben. „Olyan, mintha egy hatalmas Lego-modellt próbálnánk építeni anélkül, hogy tudnánk, mi a legkisebb Lego-darab, ami lehet” – mondja Sheriff.
A hagyományos módszerek az SRO megértésére kis számítási modelleket vagy szimulációkat használnak korlátozott számú atommal, ami hiányos képet nyújt a bonyolult anyagrendszerekről. „A magas entropiájú anyagok kémiailag összetettek – nem lehet őket jól szimulálni csak néhány atommal; tényleg néhány hosszskálával fölé kell menni, hogy pontosan meg tudjuk ragadni az anyagot” – mondja Sheriff. „Egyébként olyan, mintha megpróbálnánk megérteni a családfádat anélkül, hogy tudnánk az egyik szülőt.”
Az SRO-t alapvető matematikai módszerekkel is kiszámították, néhány atom közvetlen szomszédjait számolva és kiszámítva, hogyan nézhet ki ez az eloszlás átlagosan. Annak ellenére, hogy népszerű, a megközelítés korlátozott, mivel hiányos képet nyújt az SRO-ról.
Szerencsére a kutatók gépi tanulást használnak a hagyományos megközelítések hiányosságainak leküzdésére az SRO rögzítésére és kvantifikálására.
Kétágú gépi tanulási megoldás
Az SRO gépi tanulással történő vizsgálatához hasznos elképzelni a kristályszerkezetet a magas entropiájú ötvözetekben, mint egy pontösszekötős játékot egy színezőkönyvben, mondja Cao. „Tudnod kell a szabályokat a pontok összekapcsolásához, hogy lásd a mintát.” És meg kell ragadnod az atomi kölcsönhatásokat egy szimulációval, amely elég nagy ahhoz, hogy beleférjen az egész minta.
Először is, a szabályok megértése azt jelentette, hogy reprodukálni kell a kémiai kötések magas entropiájú ötvözetekben. „Kis energiadifferenciák vannak a kémiai mintákban, amelyek különbségeket eredményeznek a rövid hatótávolságú rendben, és nem volt jó modellünk ezt megtenni” – mondja Freitas. A csapat által kifejlesztett modell az első építőelem az SRO pontos kvantifikálásában.
A második rész a kihívásból, hogy a kutatók a teljes képet megkapják, összetettebb volt. A magas entropiájú ötvözetek milliárdnyi kémiai „motívumot” mutathatnak be, az atomok elrendezéseinek kombinációit. Ezeknek a motívumoknak a szimulációs adatokból történő azonosítása nehéz, mert szimmetrikusan ekvivalens formákban jelenhetnek meg — elforgatva, tükrözve vagy megfordítva. Első pillantásra másképp nézhetnek ki, de még mindig tartalmazhatják ugyanazokat a kémiai kötések.
A csapat ezt a problémát 3D Euklideszi neurális hálózatok alkalmazásával oldotta meg. Ezek az előrehaladott számítógépes modellek lehetővé tették a kutatók számára, hogy példátlan részletességgel azonosítsák a kémiai motívumokat a magas entropiájú anyagok szimulációiból, atomról-atomra vizsgálva azokat.
Az utolsó feladat az SRO kvantifikálása volt. Freitas gépi tanulást használt a különböző kémiai motívumok értékelésére és mindegyiket egy számmal címkézésére. Amikor a kutatók egy új anyag SRO-ját akarják kvantifikálni, futtatják a modellt, amely rendezi az adatbázisában és választ ad.
A csapat további erőfeszítéseket tett annak érdekében, hogy motívumazonosító keretrendszerüket hozzáférhetőbbé tegyék. „Van egy lapunk az összes lehetséges [SRO] permutációval, és tudjuk, hogy mindegyikük milyen számot kapott ezen a gépi tanulási folyamaton keresztül” – mondja Freitas. „Így később, amikor szimulációkba ütközünk, rendezhetjük őket, hogy megmondjuk, hogy néz ki az új SRO.” A neurális hálózat könnyen felismeri a szimmetria műveleteket és azonos számmal címkézi az ekvivalens struktúrákat.
„Ha magadnak kellene összeállítanod az összes szimmetriát, az rengeteg munka lenne. A gépi tanulás gyorsan és olcsón rendezte ezt számunkra, hogy alkalmazható legyen a gyakorlatban” – mondja Freitas.
Belépés a világ leggyorsabb szuperszámítógépéhez
Idén nyáron Cao és Sheriff csapata lehetőséget kap arra, hogy megvizsgálja, hogyan változhat az SRO a fémek rutin feldolgozási körülményei alatt, például öntés és hideghengerlés során, az Egyesült Államok Energiaügyi Minisztériumának INCITE programján keresztül, amely hozzáférést biztosít a világ leggyorsabb szuperszámítógépéhez, a Frontierhez.
„Ha tudni szeretnéd, hogyan változik a rövid hatótávolságú rend a fémek tényleges gyártása során, nagyon jó modellre és nagyon nagy szimulációra van szükséged” – mondja Freitas. A csapatnak már van egy erős modellje; most az INCITE számítógépes létesítményeit fogják használni a szükséges robusztus szimulációkhoz.
„Ezzel azt várjuk, hogy felfedezzük azokat a mechanizmusokat, amelyeket a metallurgisták alkalmazhatnak olyan ötvözetek tervezésére, amelyek előre meghatározott SRO-val rendelkeznek” – teszi hozzá Freitas.
Sheriff izgatott a kutatás sok ígérete miatt. Az egyik az a 3D információ, amely kapható a kémiai SRO-ról. Míg a hagyományos transzmissziós elektronmikroszkópok és más módszerek korlátozottak a kétdimenziós adatokra, a fizikai szimulációk kitöltik a pontokat és teljes hozzáférést biztosítanak a 3D információhoz – mondja Sheriff.
„Bevezettünk egy keretrendszert a kémiai összetettségről való beszélgetés megkezdéséhez” – magyarázza Sheriff. „Most, hogy ezt megérthetjük, van egy teljes anyagtudományi test a klasszikus ötvözetekről, hogy előrejelző eszközöket fejlesszünk a magas entropiájú anyagok számára.” Ez új anyagosztályok célzott tervezéséhez vezethet a sötétben való tapogatózás helyett.
Érdekesség: A gépi tanulás potenciálja az anyagtudományban óriási. Például a neuronhálók képesek azonosítani az ötvözetek belső struktúráit, amelyeket hagyományos módszerekkel nem lehetne felfedezni.
Források: The Proceedings of the National Academy of Sciences, MIT News
