یادگیری ماشینی اسرار آلیاژهای پیشرفته را باز می کند

مفهوم نظم کوتاه برد (SRO) – آرایش اتم ها در فواصل کوچک – در آلیاژهای فلزی در علم و مهندسی مواد مورد بررسی قرار نگرفته است. اما در دهه گذشته علاقه مجددی به تعیین کمیت آن افزایش یافته است، زیرا رمزگشایی SRO گامی حیاتی به سمت توسعه آلیاژهای با کارایی بالا، مانند مواد قوی تر یا مقاوم در برابر حرارت است.

درک روش چیدمان اتم‌ها کار ساده‌ای نیست و باید با استفاده از آزمایش‌های آزمایشگاهی فشرده یا شبیه‌سازی‌های رایانه‌ای تأیید شود. روی مدل های ناقص این موانع کاوش کامل SRO در آلیاژهای فلزی را دشوار کرده است.

اما Killian Sheriff و Yifan Cao، دانشجویان فارغ التحصیل در دپارتمان علوم و مهندسی مواد MIT (DMSE)، از یادگیری ماشینی برای تعیین کمیت، اتم به اتم، ترتیبات شیمیایی پیچیده ای که SRO را تشکیل می دهند، استفاده می کنند. تحت نظارت استادیار رودریگو فریتاس، و با کمک استادیار تس اسمیت در گروه مهندسی برق و علوم کامپیوتر، کار آنها اخیراً در این مجموعه مقالات آکادمی ملی علوم.

علاقه به درک SRO با هیجان پیرامون مواد پیشرفته به نام آلیاژهای با آنتروپی بالا مرتبط است که ترکیبات پیچیده آنها خواص برتری به آنها می دهد.

به طور معمول، دانشمندان مواد آلیاژها را با استفاده از یک عنصر به عنوان پایه و افزودن مقادیر کمی از عناصر دیگر برای افزایش خواص خاص تولید می کنند. برای مثال افزودن کروم به نیکل، فلز حاصل را در برابر خوردگی مقاوم‌تر می‌کند.

برخلاف اکثر آلیاژهای سنتی، آلیاژهای با آنتروپی بالا دارای چندین عنصر، از سه تا 20، به نسبت تقریباً مساوی هستند. این یک فضای طراحی گسترده را ارائه می دهد. کائو می‌گوید: «مثل اینکه در حال تهیه یک دستور غذا با مواد بسیار بیشتر هستید.

هدف این است که از SRO به عنوان یک “شستی” برای تنظیم خواص مواد با مخلوط کردن عناصر شیمیایی در آلیاژهای با آنتروپی بالا به روش های منحصر به فرد استفاده شود. کائو می‌گوید که این رویکرد کاربردهای بالقوه‌ای در صنایعی مانند هوافضا، زیست‌پزشکی و الکترونیک دارد و نیاز به کشف جایگشت‌ها و ترکیب‌های عناصر را برمی‌انگیزد.

ثبت سفارش کوتاه برد

منظور از مرتبه برد کوتاه، تمایل اتم ها به تشکیل آرایش های شیمیایی با اتم های همسایه خاص است. در حالی که یک نگاه سطحی به توزیع عنصری آلیاژ ممکن است نشان دهد که عناصر تشکیل دهنده آن به طور تصادفی مرتب شده اند، اغلب اینطور نیست. فریتاس می‌گوید: «اتم‌ها ترجیح می‌دهند اتم‌های همسایه‌ای که در الگوهای خاصی چیده شده‌اند، داشته باشند. “اینکه این الگوها هر چند وقت یک بار بوجود می آیند و چگونه در فضا توزیع می شوند، چیزی است که SRO را تعریف می کند.”

درک SRO کلیدهای قلمرو مواد با آنتروپی بالا را باز می کند. متأسفانه، اطلاعات زیادی در مورد SRO در آلیاژهای با آنتروپی بالا وجود ندارد. شریف می‌گوید: «مانند این است که ما سعی می‌کنیم یک مدل لگو بزرگ بسازیم بدون اینکه بدانیم کوچک‌ترین قطعه لگو که می‌توانید داشته باشید چیست.

روش‌های سنتی برای درک SRO شامل مدل‌های محاسباتی کوچک یا شبیه‌سازی‌هایی با تعداد محدودی اتم است که تصویری ناقص از سیستم‌های مواد پیچیده ارائه می‌دهد. مواد با آنتروپی بالا از نظر شیمیایی پیچیده هستند – شما نمی توانید آنها را فقط با چند اتم به خوبی شبیه سازی کنید. شما واقعاً باید چند مقیاس طولی بالاتر از آن بروید تا مطالب را به طور دقیق ضبط کنید. “در غیر این صورت، مانند تلاش برای درک شجره نامه خود بدون شناخت یکی از والدین است.”

SRO همچنین با استفاده از ریاضیات پایه، شمارش همسایگان بلافصل برای چند اتم و محاسبه اینکه آن توزیع ممکن است شبیه باشد، محاسبه شده است. روی میانگین. با وجود محبوبیت، این رویکرد دارای محدودیت هایی است، زیرا تصویر ناقصی از SRO ارائه می دهد.

خوشبختانه، محققان از یادگیری ماشینی برای غلبه بر کاستی‌های رویکردهای سنتی برای گرفتن و کمی کردن SRO استفاده می‌کنند.

هیونسئوک اوه، استادیار دپارتمان علوم و مهندسی مواد در دانشگاه ویسکانسین در مدیسون و یک فوق دکترای سابق DMSE، در مورد بررسی کاملتر SRO هیجان زده است. اوه، کسی که در این مطالعه شرکت نداشت، چگونگی استفاده از ترکیب آلیاژ، روش‌های پردازش و ارتباط آن‌ها با SRO را برای طراحی آلیاژهای بهتر بررسی می‌کند. فیزیک آلیاژها و منشا اتمی خواص آنها بستگی دارد روی او می‌گوید: «سفارش کوتاه برد، اما محاسبه دقیق سفارش‌های برد کوتاه تقریباً غیرممکن بوده است».

یک راه حل دو وجهی یادگیری ماشین

کائو می‌گوید برای مطالعه SRO با استفاده از یادگیری ماشین، به تصویر کردن ساختار کریستالی در آلیاژهای با آنتروپی بالا به عنوان یک بازی اتصال نقاط در یک کتاب رنگ‌آمیزی کمک می‌کند.

“شما باید قوانین اتصال نقاط را بدانید تا الگو را ببینید.” و باید برهمکنش‌های اتمی را با شبیه‌سازی به‌اندازه کافی بزرگ برای مطابقت با کل الگو ثبت کنید.

اول، درک قوانین به معنای بازتولید پیوندهای شیمیایی در آلیاژهای با آنتروپی بالا بود. فریتاس می‌گوید: «تفاوت‌های انرژی کوچکی در الگوهای شیمیایی وجود دارد که منجر به تفاوت‌هایی در ترتیب کوتاه برد می‌شود، و ما مدل خوبی برای انجام این کار نداشتیم». مدلی که تیم توسعه داده است اولین بلوک ساختمانی در تعیین کمیت دقیق SRO است.

بخش دوم چالش، حصول اطمینان از اینکه محققان تصویر کامل را دریافت می کنند، پیچیده تر بود. آلیاژهای با آنتروپی بالا می توانند میلیاردها “نقشه” شیمیایی، ترکیبی از آرایش اتم ها را نشان دهند. شناسایی این موتیف‌ها از داده‌های شبیه‌سازی دشوار است، زیرا می‌توانند به شکل‌های متقارن معادل – چرخشی، آینه‌ای، یا معکوس ظاهر شوند. در نگاه اول، آنها ممکن است متفاوت به نظر برسند اما همچنان حاوی پیوندهای شیمیایی یکسانی هستند.

تیم این مشکل را با استفاده از شبکه های عصبی اقلیدسی سه بعدی حل کرد. این مدل‌های محاسباتی پیشرفته به محققان این امکان را می‌دهد تا نقوش شیمیایی را از شبیه‌سازی‌های مواد با آنتروپی بالا با جزئیات بی‌سابقه شناسایی کنند و آنها را اتم به اتم بررسی کنند.

وظیفه نهایی تعیین کمیت SRO بود. فریتاس از یادگیری ماشینی برای ارزیابی نقوش شیمیایی مختلف استفاده کرد و هر کدام را با یک عدد برچسب گذاری کرد. وقتی محققان می‌خواهند SRO را برای یک ماده جدید کمیت کنند، آن را بر اساس مدل اجرا می‌کنند که آن را در پایگاه داده خود مرتب می‌کند و پاسخی را می‌دهد.

این تیم همچنین تلاش بیشتری برای در دسترس‌تر کردن چارچوب شناسایی موتیف خود انجام دادند. ما این برگه از همه جایگشت های ممکن را داریم [SRO] در حال حاضر راه اندازی شده است، و ما می دانیم که هر کدام از آنها از طریق این یادگیری ماشینی چه عددی را دریافت کرده اند processفریتاس می گوید. “بنابراین بعداً، همانطور که با شبیه سازی مواجه می شویم، می توانیم آنها را مرتب کنیم تا به ما بگوییم که SRO جدید چگونه خواهد بود.” شبکه عصبی به راحتی عملیات تقارن را تشخیص می دهد و ساختارهای معادل را با همان تعداد برچسب گذاری می کند.

«اگر مجبور بودید تمام تقارن ها را خودتان جمع آوری کنید، کار زیادی است. فرایتاس می‌گوید: «یادگیری ماشینی این را برای ما بسیار سریع و به‌گونه‌ای سازماندهی کرد که به اندازه کافی ارزان بود که بتوانیم آن را در عمل اعمال کنیم.»

وارد سریعترین ابر رایانه جهان شوید

تابستان امسال، کائو و کلانتر و تیم این فرصت را خواهند داشت تا بررسی کنند که چگونه SRO می‌تواند تحت شرایط معمول پردازش فلز، مانند ریخته‌گری و نورد سرد، تغییر کند، از طریق برنامه INCITE وزارت انرژی ایالات متحده، که امکان دسترسی به Frontier، سریع‌ترین ابررایانه جهان را فراهم می‌کند. .

فریتاس می‌گوید: «اگر می‌خواهید بدانید سفارش کوتاه برد در طول تولید واقعی فلزات چگونه تغییر می‌کند، باید یک مدل بسیار خوب و یک شبیه‌سازی بسیار بزرگ داشته باشید. تیم در حال حاضر یک مدل قوی دارد. اکنون از امکانات محاسباتی INCITE برای شبیه سازی های قوی مورد نیاز استفاده خواهد کرد.

فریتاس می‌افزاید: «با این کار، ما انتظار داریم که مکانیسم‌هایی را که متالورژیست‌ها می‌توانند برای مهندسی آلیاژها با SRO از پیش تعیین‌شده به کار ببرند، کشف کنیم».

کلانتر از وعده های متعدد این تحقیق هیجان زده است. یکی اطلاعات سه بعدی است که می توان در مورد SRO شیمیایی به دست آورد. شریف می‌گوید در حالی که میکروسکوپ‌های الکترونی عبوری سنتی و سایر روش‌ها به داده‌های دو بعدی محدود می‌شوند، شبیه‌سازی‌های فیزیکی می‌توانند نقطه‌ها را پر کنند و به اطلاعات سه بعدی دسترسی کامل بدهند.

شریف توضیح می دهد: “ما چارچوبی را برای شروع صحبت در مورد پیچیدگی شیمیایی معرفی کرده ایم.” اکنون که می‌توانیم این را بفهمیم، مجموعه‌ای از علم مواد وجود دارد روی آلیاژهای کلاسیک برای توسعه ابزارهای پیش بینی برای مواد با آنتروپی بالا.”

این می تواند به طراحی هدفمند کلاس های جدید مواد به جای عکاسی ساده در تاریکی منجر شود.

این تحقیق توسط MathWorks Ignition Fund، MathWorks Engineering Fund و بنیاد پرتغال برای همکاری های بین المللی در علم، فناوری و آموزش عالی در برنامه MIT-پرتغال تامین شده است.