Det kanske inte är så catchy som kedjor och svaga länkar, men fysiker och ingenjörer vet "ett material är bara så starkt som dess svagaste korngräns."

OK, det är inte alls catchy, men här är poängen:korngränser är en stor sak. De är de mikroskopiska, oordnade regioner där atomstora byggstenar binder samman kristallerna (d.v.s. kornen) i material.

Mer viktigt, spannmålsgränser hjälper till att bestämma egenskaperna hos metaller som är viktiga för människor. Till exempel, de kan påverka metallens styrka (byggnader!), korrosionsbeständighet (broar!) och konduktivitet (el!).

Men medan forskare har studerat spannmålsgränser i årtionden och fått viss inblick i de typer av egenskaper som spannmålsgränser producerar, ingen har kunnat spika fast ett universellt system för att förutsäga om en viss konfiguration av atomer vid korngränserna kommer att göra ett material starkare eller mer böjligt.

Gå in i det tvärvetenskapliga BYU-forskarteamet av Rosenbrock, Homer och Hart. Ph.D. student (Conrad Rosenbrock) och två professorer – en ingenjör (Eric Homer) och en fysiker (Gus Hart) – kan ha knäckt koden genom att pressa en dator med en algoritm som gör att den kan lära sig det svårfångade "varför" bakom gränsernas kvaliteter .

Deras metod, publicerad i senaste numret av Natur tidning Beräkningsmaterial , tillhandahåller en teknik för att skapa en "ordbok" över de atomära byggstenarna som finns i metaller, legeringar, halvledare och andra material. Deras maskininlärningsmetod analyserar Big Data (tänk:massiva datamängder av korngränser) för att ge insikt i fysiska strukturer som sannolikt är förknippade med specifika mekanismer, processer och egenskaper som annars skulle vara svåra att identifiera.

"Vi använder maskininlärning, vilket innebär att algoritmer kan se trender i massor av data som en människa inte kan se, ", sa Homer. "Med Big Data-modeller tappar du lite precision, men vi har funnit att det fortfarande ger tillräckligt stark information för att koppla ihop punkterna mellan en gräns och en egenskap."

När det gäller metaller, processen kan utvärdera egenskaper som styrka, vikt och livslängd för material, leder till en eventuell optimering av de bästa materialen. Även om gruppen faktiskt inte skapar material ännu, de kan nu dechiffrera "varför" och "hur" av sminket.

Forskare sa att deras papper är det första som försöker knäcka koden för de atomära strukturer som kraftigt påverkar korngränsegenskaperna med datoralgoritmerna för maskininlärning.

"Det är ungefär som Siri; Siri fungerar genom att ta ljud och förvandla dem till vokaler och konsonanter och i slutändan ord genom att komma åt en massiv Apple-databas, " sa Hart. "Vi använder samma koncept. Vi har en stor databas, och vår algoritm tar korngränser och jämför den med databasen för att koppla dem till vissa egenskaper."

Slutmålet är att göra det enklare och mer effektivt att utveckla material som kan kombineras för att göra starka, lätta och korrosionsfria metaller. Forskarna tror att de är i framkant av vad som kan vara en tio eller till och med 20-årig process för att skapa innovativa legeringsstrukturer som ger praktiska lösningar på stora strukturer.

"Vår nation spenderar 500 miljarder dollar om året på korrosion, ", sa Homer. "Om du kan minska kostnaderna för att behandla korrosion till och med några få procent genom att utveckla mer resistenta metaller, du kan spara miljarder varje år. Det är inte en liten summa pengar."