Voor de eerste keer, onderzoekers van het Lawrence Berkeley National Laboratory (Berkeley Lab) hebben machine learning-algoritmen gebouwd en getraind om defectgedrag in bepaalde intermetallische verbindingen met hoge nauwkeurigheid te voorspellen. Deze methode zal het onderzoek naar nieuwe geavanceerde legeringen en lichtgewicht nieuwe materialen versnellen voor toepassingen in de automobielindustrie tot de lucht- en ruimtevaart en nog veel meer.

Hun resultaten zijn gepubliceerd in het decembernummer van 2016 Natuur Computational Materials .

Materialen zijn nooit chemisch zuiver en structureel foutloos. Ze bevatten bijna altijd gebreken, die een belangrijke rol spelen bij het dicteren van eigenschappen. Deze gebreken kunnen verschijnen als vacatures, die in wezen 'gaten' zijn in de kristalstructuur van de stof, of antisite defecten, die in wezen atomen zijn die op de verkeerde kristallocatie zijn geplaatst. Inzicht in dergelijke puntdefecten is cruciaal voor wetenschappers die materialen ontwerpen, omdat ze een dramatisch effect kunnen hebben op de structurele stabiliteit en sterkte op lange termijn.

traditioneel, onderzoekers hebben een computationele kwantummechanische methode gebruikt die bekend staat als dichtheidsfunctionele berekeningen om te voorspellen welke soorten defecten in een bepaalde structuur kunnen worden gevormd en hoe deze de eigenschappen van het materiaal beïnvloeden. Hoewel effectief, deze aanpak is erg rekenkundig duur om uit te voeren voor puntdefecten die de reikwijdte van dergelijke onderzoeken beperken.

"Density-functionele berekeningen werken goed als je één kleine eenheid modelleert, maar als je je modelleercel groter wilt maken, neemt de rekenkracht die daarvoor nodig is aanzienlijk toe, " zegt Bharat Medasani, een voormalig Berkeley Lab-postdoc en hoofdauteur van de npj-paper. "En omdat het rekenkundig duur is om defecten in een enkel materiaal te modelleren, dit soort brute force-modellering voor tienduizenden materialen is niet haalbaar."

Om deze computeruitdagingen te overwinnen, Medasani en zijn collega's ontwikkelden en trainden machine learning-algoritmen om puntdefecten in intermetallische verbindingen te voorspellen, gericht op de alom waargenomen B2-kristalstructuur. aanvankelijk, ze selecteerden een steekproef van 100 van deze verbindingen uit de Materials Project Database en voerden functionele dichtheidsberekeningen uit op supercomputers bij het National Energy Research Scientific Computing Center (NERSC), een DOE Office of Science User Facility bij Berkeley Lab, om hun gebreken te identificeren.

Omdat ze een klein gegevensmonster hadden om mee te werken, Medasani en zijn team gebruikten een bosbenadering genaamd gradiëntversterking om hun machine learning-methode met hoge nauwkeurigheid te ontwikkelen. In deze benadering werden achtereenvolgens aanvullende machine learning-modellen gebouwd en gecombineerd met eerdere modellen om het verschil tussen de modelvoorspellingen en de resultaten van dichtheidsfunctionele berekeningen te minimaliseren. De onderzoekers herhaalden het proces totdat ze een hoge mate van nauwkeurigheid bereikten in hun voorspellingen.

"Dit werk is in wezen een proof of concept. Het laat zien dat we functionele dichtheidsberekeningen kunnen uitvoeren voor een paar honderd materialen, vervolgens machine learning-algoritmen trainen om puntdefecten nauwkeurig te voorspellen voor een veel grotere groep materialen, " zegt Medasani, die nu een postdoctoraal onderzoeker is aan het Pacific Northwest National Laboratory.

"Het voordeel van dit werk is dat we nu een rekenkundig goedkope machine learning-aanpak hebben die puntdefecten in nieuwe intermetallische materialen snel en nauwkeurig kan voorspellen", zegt Andrew Canning, een Berkeley Lab Computational Scientist en co-auteur van het npj-papier. "We hoeven niet langer zeer dure eerste-principeberekeningen uit te voeren om defecteigenschappen voor elke nieuwe metaalverbinding te identificeren."

"Deze tool stelt ons in staat om metaaldefecten sneller en robuuster te voorspellen, wat op zijn beurt het materiaalontwerp zal versnellen, " zegt Kristin Persson, een Berkeley Lab Scientist en directeur van het Materials Project, een initiatief gericht op het drastisch verminderen van de tijd die nodig is om nieuwe materialen uit te vinden door open webgebaseerde toegang te bieden tot berekende informatie over bekende en voorspelde materialen. Als uitbreiding van dit werk is een open source Python-toolkit ontwikkeld voor het modelleren van puntdefecten in halfgeleiders en isolatoren (PyCDT).