Het is misschien niet zo pakkend als kettingen en zwakke schakels, maar natuurkundigen en ingenieurs weten dat 'een materiaal slechts zo sterk is als de zwakste korrelgrens'.

OKE, dat is helemaal niet pakkend, maar hier is het punt:korrelgrenzen zijn een groot probleem. Het zijn de microscopische, wanordelijke gebieden waar bouwstenen ter grootte van een atoom de kristallen (d.w.z. korrels) in materialen aan elkaar binden.

Belangrijker, korrelgrenzen helpen bij het bepalen van de eigenschappen van metalen die belangrijk zijn voor de mens. Bijvoorbeeld, ze kunnen de sterkte van een metaal beïnvloeden (gebouwen!), corrosiebestendigheid (bruggen!) en geleidbaarheid (elektriciteit!).

Maar terwijl onderzoekers decennialang korrelgrenzen hebben bestudeerd en enig inzicht hebben gekregen in de soorten eigenschappen die korrelgrenzen produceren, niemand is erin geslaagd een universeel systeem vast te spijkeren om te voorspellen of een bepaalde configuratie van atomen aan korrelgrenzen een materiaal sterker of buigzamer zal maken.

Betreed het interdisciplinaire BYU-onderzoeksteam van Rosenbrock, Homerus en Hart. De Ph.D. student (Conrad Rosenbrock) en twee professoren - een ingenieur (Eric Homer) en een natuurkundige (Gus Hart) - hebben de code misschien gekraakt door een computer te persen met een algoritme waarmee hij het ongrijpbare "waarom" achter de kwaliteiten van de grenzen kan leren .

hun methode, gepubliceerd in het meest recente nummer van Natuur logboek Computermaterialen , biedt een techniek om een ​​"woordenboek" te maken van de atomaire bouwstenen die in metalen worden gevonden, legeringen, halfgeleiders en andere materialen. Hun machine learning-aanpak analyseert Big Data (denk aan enorme datasets van korrelgrenzen) om inzicht te geven in fysieke structuren die waarschijnlijk geassocieerd zijn met specifieke mechanismen, processen en eigenschappen die anders moeilijk te identificeren zouden zijn.

"We gebruiken machine learning, wat betekent dat algoritmen trends kunnen zien in heel veel gegevens die een mens niet kan zien, "Zei Homer. "Met Big Data-modellen verlies je wat precisie, maar we hebben ontdekt dat het nog steeds voldoende informatie biedt om de punten tussen een grens en een eigendom met elkaar te verbinden."

Als het om metalen gaat, het proces kan eigenschappen zoals sterkte evalueren, gewicht en levensduur van materialen, wat leidt tot de uiteindelijke optimalisatie van de beste materialen. Hoewel de groep nog geen materialen maakt, ze kunnen nu het "waarom" en het "hoe" van de make-up ontcijferen.

Onderzoekers zeiden dat hun paper de eerste is die probeert de code te kraken van de atomaire structuren die de korrelgrenseigenschappen sterk beïnvloeden met de computeralgoritmen van machine learning.

"Het is een beetje zoals Siri; Siri werkt door geluiden te nemen en ze in klinkers en medeklinkers en uiteindelijk woorden te veranderen door toegang te krijgen tot een enorme Apple-database, " zei Hart. "We gebruiken hetzelfde concept. We hebben een grote database, en ons algoritme neemt korrelgrenzen en vergelijkt deze met die database om ze te verbinden met bepaalde eigenschappen."

Het einddoel is om het gemakkelijker en efficiënter te maken om materialen te ontwikkelen die kunnen worden gecombineerd om sterke, lichtgewicht en corrosievrije metalen. De onderzoekers denken dat ze aan de voorkant zitten van wat een proces van 10 of zelfs 20 jaar zou kunnen zijn om innovatieve legeringsstructuren te creëren die praktische oplossingen bieden voor grote structuren.

"Ons land besteedt $ 500 miljard per jaar aan corrosie, "Zei Homer. "Als je de kosten van het behandelen van corrosie met zelfs een paar procent kunt verlagen door meer resistente metalen te ontwikkelen, u kunt elk jaar miljarden besparen. Dat is geen klein bedrag."