Dit werk is gepubliceerd in het tijdschrift Physical Review Letters .

"We hebben een veel efficiëntere manier gevonden om de diffusie in vaste stoffen te berekenen, en tegelijkertijd leerden we meer over de fundamentele processen van diffusie in datzelfde systeem", zegt professor materiaalkunde en techniek Dallas Trinkle, die dit werk leidde. met afgestudeerde student Soham Chattopadhyay.

Diffusie in vaste stoffen is het proces waarbij atomen door een materiaal bewegen. De productie van staal, ionen die door een batterij bewegen en de doping van halfgeleiderapparaten zijn allemaal zaken die worden gecontroleerd door diffusie.

Hier heeft het team de diffusie gemodelleerd in legeringen met meerdere componenten, dit zijn metalen die zijn samengesteld uit vijf verschillende elementen (mangaan, kobalt, chroom, ijzer en nikkel in dit onderzoek) in gelijke hoeveelheden. Dit soort legeringen zijn interessant omdat een manier om sterke materialen te maken is door verschillende elementen samen te voegen, zoals het toevoegen van koolstof en ijzer om staal te maken.

Legeringen met meerdere componenten hebben unieke eigenschappen, zoals goed mechanisch gedrag en stabiliteit bij hoge temperaturen. Het is dus belangrijk om te begrijpen hoe atomen in deze materialen diffunderen.

Om diffusie goed te kunnen bekijken zijn lange tijdschalen nodig, omdat atomen zich willekeurig verplaatsen en in de loop van de tijd hun verplaatsing vanaf het beginpunt zal toenemen. "Als iemand de verspreiding probeert te simuleren, is dat lastig, omdat je de simulatie heel lang moet uitvoeren om het volledige beeld te krijgen", zegt Trinkle.

"Dat beperkt echt veel van de manieren waarop we diffusie kunnen bestuderen. Nauwkeurigere methoden voor het berekenen van transitiesnelheden kunnen vaak niet worden gebruikt omdat je niet genoeg stappen van een simulatie zou kunnen doen om het langetermijntraject te krijgen en een redelijke verspreidingswaarde."

Een atoom kan naar links springen, maar vervolgens weer naar rechts springen. In dat geval heeft het atoom zich nergens verplaatst. Stel dat hij naar links springt, dan gebeuren er nog duizend andere dingen, en dan springt hij weer naar rechts. Dat is hetzelfde effect.

Trinkle zegt:‘We noemen die correlatie omdat het atoom op een gegeven moment één sprong maakte en die sprong later weer ongedaan maakte. Dat maakt diffusie ingewikkeld. Als we kijken naar hoe machinaal leren het probleem oplost, is wat het in werkelijkheid doet veranderen. het probleem omgevormd tot een probleem waarbij er geen enkele van deze gecorreleerde sprongen zijn."

Daarom draagt ​​elke sprong die een atoom maakt bij aan diffusie en wordt het probleem een ​​stuk eenvoudiger op te lossen. "We noemen deze sprongen kinosons, voor kleine bewegingen", zegt Trinkle.

‘We hebben laten zien dat je de verdeling hiervan kunt bepalen, de waarschijnlijkheid dat je een kinoson van een bepaalde omvang ziet, en ze allemaal bij elkaar kunt optellen om de werkelijke diffusiteit te krijgen. Bovendien kun je zien hoe verschillende elementen zich verspreiden in een bepaald gebied. solide."

Een ander voordeel van het modelleren van diffusie met behulp van kinosonen en machinaal leren is dat het aanzienlijk sneller gaat dan het berekenen van hele trajecten op lange termijn. Trinkle zegt dat met deze methode simulaties 100 keer sneller kunnen worden uitgevoerd dan met de normale methoden.

"Ik denk dat deze methode de manier waarop we over diffusie denken echt gaat veranderen", zegt hij. “Het is een andere manier om naar het probleem te kijken en ik hoop dat dit in de komende tien jaar de standaardmanier zal zijn om naar diffusie te kijken. Voor mij is een van de opwindende dingen niet alleen dat het sneller werkt, maar dat je ook leer meer over wat er in het systeem gebeurt."