Wetenschap
Onderzoekers onthullen een nieuwe methode voor het berekenen van de mechanische eigenschappen van vaste stoffen met behulp van machine learning
Een onderzoeksteam van Skoltech introduceerde een nieuwe methode die gebruik maakt van machinaal leren voor het bestuderen van de eigenschappen van polykristallen, composieten en meerfasesystemen. Het bereikte een hoge nauwkeurigheid, bijna net zo goed als die van kwantummechanische methoden, die alleen toepasbaar zijn op materialen met minder dan een paar honderd atomen.
De nieuwe methode profiteert ook van actief leren over lokale atomaire omgevingen. Het artikel is gepubliceerd in de Advanced Theory and Simulations dagboek.
"Veel industriële materialen worden gesynthetiseerd als polykristallen of meerfasesystemen. Ze bevatten zowel een enkel kristal als amorfe componenten tussen eenkristalkorrels. Het grote aantal atomen maakt het moeilijk om de eigenschappen van deze systemen te berekenen met behulp van moderne kwantummechanische methoden. Dichtheid functioneel theorie kan alleen worden toegepast op materialen met een paar honderd atomen."
"Om dit probleem aan te pakken, gebruiken we een machine-learning-aanpak gebaseerd op Moment Tensor Potentials (MTP). Deze mogelijkheden zijn ook ontwikkeld bij Skoltech onder leiding van professor Alexander Shapeev", aldus Faridun Jalolov, de belangrijkste auteur van het onderzoek en een Skoltech Ph.D. student in de opleiding Materials Science and Engineering.
Vergeleken met andere oplossingen zien de auteurs het potentieel van de nieuwe methode in actief leren op lokale atomaire omgevingen. Bij het berekenen van een grote structuur met vele honderdduizenden atomen identificeert het MTP welk atoom een fout maakt in de berekeningen, of verkeerd wordt berekend. De reden hiervoor kan de beperkte trainingsdataset zijn, waardoor niet met alle mogelijke systeemconfiguraties rekening kan worden gehouden.
Een lokale omgeving van dit atoom wordt vervolgens 'weggesneden' en de energie ervan wordt berekend met behulp van de kwantummechanica. Daarna worden de gegevens weer toegevoegd aan de trainingsset voor verder leren. Naarmate het on-the-fly leren vordert, gaan de berekeningen door totdat ze een andere configuratie tegenkomen die in het trainingsproces moet worden opgenomen. Andere bekende mogelijkheden van machinaal leren kunnen niet worden geleerd op kleine lokale delen van grote structuren, wat hun toepasbaarheid en nauwkeurigheid beperkt.
"We hebben bijvoorbeeld de mechanische eigenschappen van diamantpolykristallen bestudeerd, de hardste natuurlijk voorkomende materialen en vaak gebruikt in de industrie, bijvoorbeeld bij de productie van boorapparatuur voor oliebronnen. De resultaten laten zien dat de mechanische eigenschappen van deze polykristallijne diamanten afhankelijk zijn op de korrelgrootte:hoe groter de korrel, hoe meer de eigenschappen lijken op die van een monokristallijne diamant,' vervolgde Jalolov.
De auteurs wezen erop dat deze aanpak het mogelijk zal maken om de mechanische eigenschappen te bestuderen van niet-enkelvoudige kristallijne materialen die doorgaans worden gesynthetiseerd en gebruikt in experimenten, en om uitgebreide onderzoeken uit te voeren naar polykristallijne en composietmaterialen en om gegevens te verkrijgen die zo dicht mogelijk bij de experimentele resultaten liggen. /P>
"Bij feitelijk gebruik worden vaak materialen gebruikt die geen perfecte kristallen zijn, omdat perfecte kristallen niet volledig aan de eisen van een specifiek apparaat kunnen voldoen."
“Een goed voorbeeld hiervan is wolfraamcarbide en kobalt. Door kobalt aan wolfraamcarbide toe te voegen, wordt het materiaal scheurvaster, waardoor het zo waardevol wordt in toepassingen. De nieuwe methode zal ons in staat stellen de oorzaken en manieren te onderzoeken om de mechanische eigenschappen te veranderen. eigenschappen van deze meerfasesystemen op atomair niveau”, zegt Alexander Kvashnin, hoofd van het onderzoek en professor aan het Energy Transition Center.