Glas is amorf van aard - de atomaire structuur omvat niet de repetitieve rangschikking die wordt gezien in kristallijne materialen. Maar af en toe, het ondergaat een proces dat devitrificatie wordt genoemd, dat is de transformatie van een glas in een kristal - vaak een ongewenst proces in industrieën. De dynamiek van devitrificatie blijft slecht begrepen omdat het proces extreem traag kan zijn, tientallen jaren of meer.

Nutsvoorzieningen, een team van onderzoekers onder leiding van Rajesh Ganapathy, Universitair hoofddocent bij het Jawaharlal Nehru Center for Advanced Scientific Research (JNCASR), in samenwerking met Ajay Sood, DST Year of Science Chair en professor aan het Indian Institute of Science (IISc), en hun Ph.D. studente Divya Ganapathi (IISc) heeft devitrificatie voor het eerst in experimenten gevisualiseerd. De resultaten van dit onderzoek zijn gepubliceerd in Natuurfysica .

"De truc was om te werken met een glas gemaakt van colloïdale deeltjes. Aangezien elk colloïdaal deeltje kan worden gezien als een vervanging voor een enkel atoom, maar tienduizend keer groter dan het atoom, de dynamiek ervan kan in realtime worden bekeken met een optische microscoop. Ook, om het proces te versnellen, hebben we de interactie tussen deeltjes aangepast zodat het zacht is en herschikkingen in het glas vaak voorkwamen, ' zegt Divya Ganapathi.

Om een ​​glas te maken, Divya Ganapathi en het team blokkeerden de colloïden om hoge dichtheden te bereiken. De onderzoekers observeerden verschillende delen van het glas volgens twee routes naar kristallisatie:een lawine-gemedieerde route met snelle herschikkingen in de structuur, en een soepele groeiroute met geleidelijke herschikkingen in de loop van de tijd.

Om inzicht te krijgen in deze bevindingen, de onderzoekers gebruikten vervolgens machine learning-methoden om te bepalen of er een subtiel structureel kenmerk verborgen was in het glas dat apriori bepaalt welke regio's later zouden uitkristalliseren en via welke route. Ondanks dat het glas ongeordend is, het machine learning-model was in staat om een ​​structureel kenmerk te identificeren dat "zachtheid" wordt genoemd en dat eerder was gevonden om te beslissen welke deeltjes in het glas zich herschikken en welke niet.

De onderzoekers ontdekten toen dat regio's in het glas met deeltjesclusters met grote "zachtheid" -waarden degenen waren die kristalliseerden en dat "zachtheid" ook gevoelig was voor de kristallisatieroute. Misschien wel de meest opvallende bevinding die uit het onderzoek naar voren kwam, was dat de auteurs hun machine learning-model foto's van een colloïdaal glas voedden en het model nauwkeurig de regio's voorspelde die dagen van tevoren kristalliseerden. "Dit maakt de weg vrij voor een krachtige techniek om 'zachtheid' ruim van tevoren te identificeren en af ​​te stemmen en ontglazing te voorkomen, ' zegt Ajay Sood.

Het begrijpen van ontglazing is cruciaal in gebieden zoals de farmaceutische industrie, die ernaar streeft stabiele amorfe geneesmiddelen te produceren omdat ze sneller in het lichaam oplossen dan hun kristallijne tegenhangers. Zelfs vloeibaar kernafval wordt verglaasd als een vaste stof in een glazen matrix om het veilig diep onder de grond te verwijderen en te voorkomen dat gevaarlijke materialen in het milieu lekken.

De auteurs zijn van mening dat deze studie een belangrijke stap voorwaarts is in het begrijpen van het verband tussen de onderliggende structuur en de stabiliteit van glas. "Het is echt gaaf dat een machine learning-algoritme kan voorspellen waar het glas gaat kristalliseren en waar het glasachtig blijft. Dit zou de eerste stap kunnen zijn voor het ontwerpen van stabielere glazen zoals het gorillaglas op mobiele telefoons, die alomtegenwoordig is in de moderne technologie, ", zegt Rajesh Ganapathy. Het vermogen om structurele parameters te manipuleren zou nieuwe manieren kunnen inluiden om technologisch significante langlevende glasachtige toestanden te realiseren.