Il concetto di ordine a corto raggio (SRO) – la disposizione degli atomi su piccole distanze – nelle leghe metalliche non è stato adeguatamente esplorato nella scienza e nell’ingegneria dei materiali. Ma negli ultimi dieci anni si è assistito a un rinnovato interesse nel misurarlo quantitativamente, poiché decifrare l’ordine a corto raggio è un passo cruciale verso lo sviluppo di leghe su misura ad alte prestazioni, come materiali più forti o resistenti al calore.
Capire come si organizzano gli atomi non è un compito facile e deve essere verificato mediante estesi esperimenti di laboratorio o simulazioni al computer basate su modelli imperfetti. Questi ostacoli hanno reso difficile esplorare a fondo l’SRO nelle leghe metalliche.
Ma Kilian Sherif e Yifan Cao, studenti laureati del Dipartimento di Scienza e Ingegneria dei Materiali del MIT, stanno utilizzando l’apprendimento automatico per misurare le complesse disposizioni chimiche che compongono l’SRO atomo per atomo. Sotto la supervisione del professore assistente Rodrigo Freitas e con l’assistenza della professoressa assistente Tess Smidt del Dipartimento di ingegneria elettrica e informatica, il loro lavoro è stato recentemente pubblicato. pubblicato In IL Atti dell’Accademia Nazionale delle Scienze.
L’interesse per la comprensione dell’SRO è legato all’entusiasmo che circonda i materiali avanzati chiamati leghe ad alta entropia, le cui strutture complesse conferiscono loro proprietà superiori.
Gli scienziati dei materiali in genere sviluppano leghe utilizzando un singolo elemento come base e aggiungendo piccole quantità di altri elementi per migliorare determinate proprietà. Ad esempio, l’aggiunta di cromo al nichel rende il metallo risultante più resistente alla corrosione.
A differenza della maggior parte delle leghe convenzionali, le leghe ad alta entropia contengono diversi elementi, da tre a venti elementi, in proporzioni approssimativamente uguali. Ciò fornisce ampio spazio di progettazione. “È come se stessi preparando una ricetta con molti ingredienti”, afferma Kao.
L’obiettivo è utilizzare l’SRO come “chiave” per personalizzare le proprietà dei materiali mescolando elementi chimici in leghe ad alta entropia in modi unici. Questo approccio ha potenziali applicazioni in settori come quello aerospaziale, della biomedicina e dell’elettronica, determinando la necessità di esplorare permutazioni e combinazioni di elementi, afferma Kao.
Ordine di cattura a breve termine
L’ordine a corto raggio si riferisce alla tendenza degli atomi a formare disposizioni chimiche con specifici atomi vicini. Sebbene uno sguardo superficiale alla distribuzione degli elementi in una lega possa suggerire che i suoi elementi costitutivi siano disposti in modo casuale, spesso non è così. “Gli atomi preferiscono avere alcuni atomi vicini disposti secondo determinati schemi”, afferma Freitas. “La frequenza con cui appaiono questi schemi e il modo in cui sono distribuiti nello spazio è ciò che determina l’ordine a corto raggio”.
Comprendere l’SRO apre le chiavi al regno della materia ad alta entropia. È un peccato che non sappiamo molto sull’SRO nelle leghe ad alta entropia. “È come se stessimo cercando di costruire un enorme modello Lego senza conoscere il pezzo più piccolo di Lego che puoi ottenere”, dice Sharif.
Gli approcci tradizionali alla comprensione dell’SRO implicano piccoli modelli computazionali o simulazioni con un numero limitato di atomi, che forniscono un quadro incompleto di sistemi materiali complessi. “I materiali ad alta entropia sono chimicamente complessi: non è possibile simularli bene con solo pochi atomi; è davvero necessario raggiungere scale di lunghezza superiori per catturare con precisione il materiale”, afferma Sherif cercando di capire il tuo albero genealogico senza conoscere nessuno dei genitori.
Anche l’SRO è stato calcolato utilizzando la matematica di base, contando gli immediati vicini di alcuni atomi e calcolando come potrebbe apparire in media questa distribuzione. Nonostante la sua popolarità, questo approccio presenta dei limiti, poiché fornisce un quadro incompleto dell’SRO.
Fortunatamente, i ricercatori stanno sfruttando l’apprendimento automatico per superare le carenze dei metodi tradizionali di acquisizione e misurazione dell’SRO.
Hyunsuk OhOh, un assistente professore presso il Dipartimento di Scienza e Ingegneria dei Materiali presso l’Università del Wisconsin a Madison ed ex ricercatore post-dottorato presso il DMSE, è entusiasta di indagare sull’SRO in modo più approfondito. Oh, che non è stato coinvolto in questo studio, esplora come sfruttare la composizione della lega, i metodi di lavorazione e la loro relazione con l’SRO per progettare leghe migliori. “La fisica delle leghe e l’origine atomica delle loro proprietà dipendono dall’ordine a corto raggio, ma il calcolo preciso dell’ordine a corto raggio è stato quasi impossibile”, afferma Oh.
La soluzione di machine learning è duplice
Per studiare l’SRO utilizzando l’apprendimento automatico, dice Kao, è utile visualizzare la struttura cristallina delle leghe ad alta entropia come un gioco unisci i punti in un libro da colorare.
“Devi conoscere le regole per collegare i punti in modo da poter vedere lo schema.” È inoltre necessario acquisire le interazioni atomiche utilizzando una simulazione abbastanza grande da adattarsi all’intero modello.
Innanzitutto, comprendere le regole significava riprodurre i legami chimici nelle leghe ad alta entropia. “Ci sono piccole differenze di energia nei modelli chimici che portano a differenze nell’ordine a corto raggio, e non avevamo un buon modello per farlo”, dice Freitas. Il modello sviluppato dal team è il primo elemento fondamentale per quantificare accuratamente l’SRO.
La seconda parte della sfida, che prevedeva che i ricercatori ottenessero un quadro completo, era più complessa. Le leghe ad alta entropia possono mostrare miliardi di “modelli” chimici, che sono combinazioni di disposizioni di atomi. Identificare questi modelli dai dati di simulazione è difficile perché possono apparire in forme simmetriche: arrotondate, specchiate o invertite. A prima vista possono sembrare diversi ma contengono comunque gli stessi legami chimici.
Il team ha risolto questo problema utilizzando… Reti neurali euclidee 3DQuesti modelli computazionali avanzati hanno permesso ai ricercatori di identificare gli elementi chimici da simulazioni di materiali ad alta entropia con un dettaglio senza precedenti, esaminandoli atomo per atomo.
Il compito finale era quantificare l’SRO. Freitas ha utilizzato l’apprendimento automatico per valutare diversi elementi chimici ed etichettarli ciascuno con un numero. Quando i ricercatori vogliono quantificare l’SRO di una nuova sostanza, la eseguono attraverso il modello, che la inserisce nel suo database e fornisce una risposta.
Il team si è anche impegnato ulteriormente nella realizzazione Cornice decorativa “Più accessibile”. Abbiamo questo foglio che contiene tutte le possibili permutazioni di [SRO] “Sono già impostati e sappiamo quale numero ha ottenuto ciascuno attraverso questo processo di apprendimento automatico”, afferma Freitas. “Quindi, quando incontriamo le simulazioni, possiamo ordinarle per dirci come apparirà il nuovo SRO Piace.” La rete neurale riconosce facilmente le operazioni di simmetria ed etichetta strutture equivalenti con lo stesso numero.
“Se devi mettere insieme tutte le simmetrie da solo, è un sacco di lavoro”, dice Freitas. “L’apprendimento automatico ha risolto questo problema per noi in modo abbastanza rapido ed economico da poterlo applicare nella pratica.”
Entra nel supercomputer più veloce del mondo
Quest’estate, Kao, Sharif e il loro team avranno l’opportunità di esplorare come l’SRO può cambiare nelle condizioni di lavorazione di routine dei metalli, come la fusione e la laminazione a freddo, attraverso un programma del Dipartimento dell’Energia degli Stati Uniti Programma INCITEconsentendo l’accesso a confineIl supercomputer più veloce del mondo.
“Se vuoi sapere come cambia l’ordine a breve termine durante la produzione effettiva dei metalli, hai bisogno di un ottimo modello e di una simulazione molto ampia”, afferma Freitas. La squadra ha già un modello forte; Ora trarrà vantaggio dalle strutture informatiche di INCITE per eseguire le potenti simulazioni richieste.
“Ci aspettiamo di scoprire che tipo di meccanismi i metallurgisti possono utilizzare per progettare leghe con un tasso di risposta metabolica predeterminato”, aggiunge Freitas.
Sherif è entusiasta delle numerose promesse della ricerca. Tra questi ci sono le informazioni tridimensionali che possono essere ottenute sulla reazione chimica. Sherif afferma che mentre i tradizionali microscopi elettronici a trasmissione e altri metodi sono limitati ai dati 2D, le simulazioni fisiche sono in grado di riempire i punti e fornire pieno accesso alle informazioni 3D.
“Abbiamo fornito un quadro per iniziare a parlare di complessità chimica”, spiega Sharif. “Ora che possiamo capirlo, disponiamo di un intero spettro di scienze dei materiali che lavorano sulle leghe classiche per sviluppare strumenti predittivi per materiali ad alta entropia”.
Ciò potrebbe portare a una progettazione mirata di nuove classi di materiali piuttosto che a semplici riprese nel buio.
La ricerca è stata finanziata dal MathWorks Ignition Fund, dal MathWorks Engineering Fellowship Fund e dalla Fondazione portoghese per la cooperazione internazionale nella scienza, nella tecnologia e nell’istruzione superiore presso il MIT-Portogallo.
“Pluripremiato specialista televisivo. Appassionato di zombi. Impossibile scrivere con i guantoni da boxe. Pioniere di Bacon.”