Met behulp van machinaal leren, evolutionaire algoritmen en andere geavanceerde computationele technieken, onderzoekers van het Lawrence Livermore National Laboratory (LLNL) hebben met succes gemodelleerd hoe atomen zijn gerangschikt tussen de kristallen waaruit de meeste materialen bestaan, een ontwikkeling die van invloed kan zijn op hoe toekomstige materialen worden ontworpen en geoptimaliseerd.

Hoewel de meeste materialen met het blote oog kunnen lijken op uniforme vaste stoffen, ze zijn eigenlijk samengesteld uit kleine kristallieten of korrels die op atomair niveau zijn gescheiden door interfaces die wetenschappers korrelgrenzen noemen. Vanwege hun belang voor materiaaleigenschappen en functies, de structuren van deze korrelgrenzen zijn uitgebreid onderzocht. Echter, met de hand door de miljarden mogelijke structuren zoeken en proberen hun gedrag te voorspellen, is een oefening in zinloosheid geweest.

Onderzoekers van LLNL, de Universiteit van Nevada-Las Vegas, Stony Brook University en UC Davis hebben een methode ontwikkeld op basis van evolutionaire algoritmen en machinaal leren die in staat zijn om door de enorme ruimte te kammen van hoe atomen in korrelgrenzen kunnen worden gerangschikt en te voorspellen hoe ze onder bepaalde omstandigheden zullen interageren. Wetenschappers zeiden dat de methode eindelijk een manier biedt om materiaaleigenschappen te voorspellen en kan leiden tot grote doorbraken in het ontwikkelen van materialen met grotere sterkte, meer hittebestendigheid of hogere geleidbaarheid. Het papier was te zien op The Minerals, Metals &Materials Society's internationale conferentie 2018 in Phoenix eerder dit jaar.

"Wat we hebben ontwikkeld, is de eerste in zijn soort computertool die mogelijke structuren van korrelgrenzen effectief bemonstert en laag-energetische structuren vindt, evenals belangrijke metastabiele toestanden, " zei LLNL-wetenschapper Timofey Frolov, hoofdonderzoeker van het project. "Wat verrassend en schokkend is, is dat we dachten dat we de structuren van grenzen begrepen, maar wij niet. In principe, we beginnen nu helemaal opnieuw omdat veel grenzen waar we naar kijken een andere structuur hebben dan we eerder dachten."

De atomaire samenstelling van korrelgrenzen is fundamenteel voor hoe bepaalde materialen zullen presteren of van fase veranderen (dat wil zeggen van vast naar vloeibaar) onder omstandigheden zoals intense hitte of extreme druk. Het gebruik van machinaal leren om mogelijke structuren te onderzoeken en deze computationeel te kunnen modelleren, kan een aanzienlijke impact hebben op het ontwerpen van materialen voor een breed scala aan energietoepassingen, waaronder vastestofbrandstofcellen, thermo-elektriciteit voor energieopwekking, zuurstof sensoren, optische vezels, schakelaars, laserversterkers en lenzen, zeiden wetenschappers.

"Er is de afgelopen jaren een revolutie geweest waarbij machinaal leren werd gebruikt om dingen te bereiken die je eerder niet kon bereiken, en de zoektocht naar een korrelgrensstructuur leverde onjuiste resultaten op - je hebt de kracht van deze moderne technieken nodig om het juiste antwoord te vinden, " zei Robert Rudd, leider van de Computational Materials Science Group van LLNL. "Veel van de technologische veranderingen die we de afgelopen decennia hebben gezien, zijn mogelijk gemaakt door materialen die voorheen niet bestonden, dus het mogelijk maken en optimaliseren van het ontwerp voor deze structuren zal een game-changer zijn."

Onderzoekers creëerden en karakteriseerden het nieuwe model met behulp van koper en hebben het met succes gedemonstreerd en getest met silicium, wolfraam en andere materialen. Het wordt ook al geïmplementeerd binnen het fusie-energieprogramma van LLNL. Frolov zei dat hij de methode voor functioneel keramiek verder wil ontwikkelen in systemen met veel elementen, die bij hoge temperatuur fascinerende en gecompliceerde overgangen vertonen.

"Een groot aantal recente experimentele studies toonde dramatische veranderingen in korrelgroeigedrag in keramische materialen na doping en koppelde deze veranderingen aan structurele overgangen aan korrelgrenzen, " zei Frolev. "Bijvoorbeeld, een vorming van abnormaal grote korrels kan de eigenschappen van een materiaal drastisch veranderen, maar moeilijk te voorspellen of te controleren. Onze nieuwe methode levert het eerste solide bewijs van overgangen op korrelgrenzen. We kunnen nu verschillende toestanden van korrelgrenzen voorspellen en de abrupte veranderingen in eigenschappen van materialen die in experimenten worden gezien, verklaren."