Argonne-wetenschappers uit verschillende disciplines hebben hun krachten gebundeld om een ​​nieuw proces te creëren voor het testen en voorspellen van de effecten van hoge temperaturen op vuurvaste oxiden.

Gietijzer smelt rond de 1, 200 graden Celsius. Roestvrij staal smelt rond de 1, 520 graden Celsius. Als je van deze materialen alledaagse voorwerpen wilt maken, zoals de koekenpan in uw keuken of de chirurgische instrumenten die door artsen worden gebruikt, het spreekt vanzelf dat je ovens en mallen zou moeten maken van iets dat zelfs deze extreme temperaturen kan weerstaan.

Dat is waar vuurvaste oxiden binnenkomen. Deze keramische materialen zijn bestand tegen zinderende hitte en behouden hun vorm, waardoor ze bruikbaar zijn voor allerlei dingen, van ovens en kernreactoren tot de hittewerende tegels op ruimtevaartuigen. Maar gezien de vaak gevaarlijke omgevingen waarin deze materialen worden gebruikt, wetenschappers willen zo veel mogelijk begrijpen over wat er met hen gebeurt bij hoge temperaturen, voordat componenten die van die materialen zijn gemaakt, in de echte wereld met die temperaturen te maken krijgen.

"Ik zeg niet dat mensen niet geweldig zijn, maar als we hulp krijgen van computers en software, wij kunnen groter zijn. Het opent de deur voor meer experimenten zoals deze die de wetenschap vooruithelpen." - Marius Stan, programmaleider, Intelligent materiaalontwerp, Argonne

Een team van onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) heeft een manier bedacht om precies dat te doen. Met behulp van innovatieve experimentele technieken en een nieuwe benadering van computersimulaties, de groep heeft een methode ontwikkeld om niet alleen nauwkeurige gegevens te verkrijgen over de structurele veranderingen die deze materialen ondergaan in de buurt van hun smeltpunt, maar nauwkeuriger voorspellen van andere veranderingen die momenteel niet kunnen worden gemeten.

Het werk van het team is gepubliceerd in Fysieke beoordelingsbrieven .

Het zaad van deze samenwerking werd geplant door Marius Stan, leider van het Intelligent Materials Design-programma in de divisie Applied Materials van Argonne. Stan's groep had veel modellen en simulaties ontwikkeld over de smeltpunten van vuurvaste oxiden, maar hij wilde ze uittesten.

"Het is geworteld in de wens om te zien of onze wiskundige modellen en simulaties de realiteit vertegenwoordigen of niet, " zei Stan. "Maar het is uitgegroeid tot een studie van machine learning. Wat ik het meest opwindend vind, is dat er nu een manier is waarop we interacties tussen atomen automatisch kunnen voorspellen."

Die innovatie begon met het omdraaien van een bekend script, volgens Ganesh Sivaraman, hoofdauteur van de paper en een assistent-computational scientist bij de Data Science and Learning-divisie bij Argonne. Hij voerde dit werk uit terwijl hij postdoctoraal aangesteld was bij de Argonne Leadership Computing Facility (ALCF), een DOE Office of Science gebruikersfaciliteit.

Hoewel de meeste experimenten beginnen met een theoretisch model, een weloverwogen en onderbouwde schatting van wat er zal gebeuren onder reële omstandigheden - het team wilde deze beginnen met experimentele gegevens en hun modellen daarop ontwerpen.

Sivaraman vertelt een verhaal over een beroemde Duitse wiskundige die wilde leren zwemmen, dus pakte hij een boek en las erover. Het creëren van theorieën zonder rekening te houden met de experimentele gegevens, Sivaraman zei, is als het lezen van een boek over zwemmen zonder ooit in een zwembad te stappen. En het Argonne-team wilde in het diepe springen.

"Het is nauwkeuriger om een ​​model te bouwen rond experimentele gegevens, "Zei Sivaraman. "Het brengt het model dichter bij de werkelijkheid."

Om die gegevens te verkrijgen, de computationele wetenschappers werkten samen met natuurkundige Chris Benmore en assistent-natuurkundige Leighanne Gallington van Argonne's X-ray Science Division. Benmore en Gallington werken bij de Advanced Photon Source (APS), een DOE Office of Science User Facility in Argonne, die zeer heldere röntgenstralen genereert om de structuren van materialen te verlichten, onder andere. De bundellijn die ze voor dit experiment gebruikten, stelt hen in staat om de lokale en langeafstandsstructuur van materialen onder extreme omstandigheden te onderzoeken, zoals hoge temperaturen.

Natuurlijk, het opwarmen van vuurvaste oxiden - in dit geval hafniumdioxide, die rond 2 uur smelt, 870 graden Celsius - komt met zijn eigen complicaties. Gewoonlijk, het monster zou zich in een container bevinden, maar er is er geen beschikbaar die bestand is tegen die temperaturen en toch de röntgenstralen doorlaat. En je kunt het monster niet eens op een tafel laten rusten, omdat de tafel zal smelten voordat het monster dat doet.

De oplossing wordt aerodynamische levitatie genoemd en houdt in dat wetenschappers gas gebruiken om een ​​klein (2-3 mm in diameter) bolvormig materiaalmonster ongeveer een millimeter in de lucht te hangen.

"We hebben een mondstuk aangesloten op een stroom inert gas, en terwijl het het monster opschort, een 400 watt laser verwarmt het materiaal van bovenaf, Gallington zei. 'Je moet aan de gasstroom sleutelen om het stabiel te laten zweven. Je wilt het niet te laag, omdat het monster het mondstuk zal raken, en zou erin kunnen smelten."

Toen de gegevens eenmaal waren verzameld en de bundellijnwetenschappers een goed begrip hadden van wat er gebeurt als hafniumoxide smelt, de computerwetenschappers pakten de bal en renden ermee weg. Sivaraman voerde de gegevens in twee sets machine learning-algoritmen in, een van hen die de theorie begrijpt en voorspellingen kan doen, en een ander - een actief leeralgoritme - dat fungeert als onderwijsassistent, alleen de eerste de meest interessante gegevens geven om mee te werken.

"Actief leren helpt andere soorten machine learning om te leren met minder gegevens, ' legde Sivaraman uit. 'Stel dat je van je huis naar de markt wilt lopen. Er kunnen vele manieren zijn om er te komen, maar je hoeft alleen de kortste weg te kennen. Actief leren wijst de kortste weg aan en filtert de andere weg."

De berekeningen werden uitgevoerd op supercomputers bij de ALCF en het Laboratory Computing Resource Center in Argonne. Het team eindigde met een computergegenereerd model op basis van real-life data, een die hen in staat stelt om dingen te voorspellen die de experimentatoren niet konden - of konden - vastleggen.

"We hebben een zogenaamd meerfasig potentieel, en het kan veel dingen voorspellen, "Zei Benmore. "We kunnen nu doorgaan en je andere parameters geven, zoals hoe goed het zijn vorm behoudt bij hoge temperaturen, die we niet hebben gemeten. We kunnen extrapoleren wat er zou gebeuren als we verder gaan dan de temperatuur die we kunnen bereiken."

"Het model is zo goed als de gegevens die je het geeft, en hoe meer je het geeft, hoe beter het wordt, " voegde Benmore eraan toe. "We geven zoveel mogelijk informatie, en het model wordt beter."

Sivaraman beschrijft dit werk als een proof of concept, een die kan worden gebruikt voor verdere experimenten. Het is een mooi voorbeeld, hij zei, van samenwerking tussen verschillende delen van Argonne, en van onderzoek dat niet zou kunnen worden gedaan zonder de middelen van een nationaal laboratorium.

"We zullen dit experiment herhalen op andere materialen, Sivaraman zei. "Onze APS-collega's hebben de infrastructuur om te bestuderen hoe deze materialen smelten onder extreme omstandigheden, en we werken samen met computerwetenschappers om de software en streaming-infrastructuur te bouwen om deze datasets snel op grote schaal te verwerken. We kunnen actief leren in het raamwerk opnemen en modellen leren om de datastroom efficiënter te verwerken met behulp van ALCF-supercomputers."

voor Stan, de proof of concept is er een die de noodzakelijke verveling van mensen die deze nauwkeurige berekeningen uitwerken, kan vervangen. Hij heeft deze technologie zien evolueren tijdens zijn carrière, en wat ooit maanden duurde, duurt nu maar een paar dagen.

"Ik zeg niet dat mensen niet geweldig zijn, " hij grinnikte, "maar als we hulp krijgen van computers en software, wij kunnen groter zijn. Het opent de deur voor meer experimenten zoals deze die de wetenschap vooruithelpen."