Med hjälp av maskininlärning, evolutionära algoritmer och andra avancerade beräkningstekniker, forskare vid Lawrence Livermore National Laboratory (LLNL) har framgångsrikt modellerat hur atomer är ordnade mellan kristallerna som utgör de flesta material, en utveckling som kan påverka hur framtida material utformas och optimeras.

Medan de flesta material kan se ut för blotta ögat som enhetliga fasta ämnen, de är faktiskt sammansatta av små kristalliter eller korn separerade på atomnivå av gränssnitt som forskare kallar korngränser. På grund av deras betydelse för materialegenskaper och funktioner, strukturerna för dessa korngränser har undersökts omfattande. Dock, att söka igenom miljarder möjliga strukturer för hand och försöka förutsäga deras beteende har varit en övning i meningslöshet.

Forskare vid LLNL, University of Nevada-Las Vegas, Stony Brook University och UC Davis har utarbetat en metod baserad på evolutionära algoritmer och maskininlärning som kan ta sig igenom det stora utrymmet för hur atomer i korngränser kan ordnas och förutsäga hur de kommer att interagera under vissa förhållanden. Forskare sa att metoden äntligen ger ett sätt att förutsäga materialegenskaper och kan leda till stora genombrott för att utveckla material med större styrka, högre värmebeständighet eller högre ledningsförmåga. Tidningen visades på The Minerals, Metals &Materials Societys internationella konferens 2018 i Phoenix tidigare i år.

"Det vi utvecklade är det första i sitt slag beräkningsverktyg som effektivt samplar möjliga strukturer av korngränser och hittar lågenergistrukturer såväl som viktiga metastabila tillstånd, " sa LLNL-forskaren Timofey Frolov, projektets huvudutredare. "Vad som är förvånande och chockerande är att vi trodde att vi förstod strukturerna för gränser, men det gör vi inte. I grund och botten, vi börjar om från början nu eftersom många gränser vi tittar på har en annan struktur än vad vi tidigare trodde."

Den atomistiska sammansättningen av korngränser är grundläggande för hur vissa material kommer att fungera eller ändra faser (dvs fast till en vätska) under förhållanden som intensiv värme eller extremt tryck. Att använda maskininlärning för att utforska möjliga strukturer och ha förmågan att modellera dem beräkningsmässigt kan ha en betydande inverkan på design av material för ett brett spektrum av energitillämpningar inklusive fasta bränsleceller, termoelektrik för elproduktion, syresensorer, optiska fibrer, växlar, laserförstärkare och linser, sa forskare.

"Det har skett en revolution de senaste åren genom att använda maskininlärning för att komma till saker du inte kunde komma till tidigare, och sökandet efter en korngränsstruktur gav felaktiga resultat – du behöver kraften i dessa moderna tekniker för att hitta det rätta svaret, ", sade LLNL Computational Materials Science Group Leader Robert Rudd. "Många av de tekniska förändringar vi har sett under de senaste decennierna har möjliggjorts av material som inte fanns tidigare, så att möjliggöra och optimera design för dessa strukturer kommer att bli en spelomvandlare."

Forskare skapade och karakteriserade den nya modellen med koppar och har framgångsrikt demonstrerat och testat den med kisel, volfram och andra material. Det implementeras också redan inom LLNL:s fusionsenergiprogram. Frolov sa att han vill vidareutveckla metoden för funktionell keramik i system med många element, som visar fascinerande och komplicerade övergångar vid hög temperatur.

"Ett stort antal nya experimentella studier visade dramatiska förändringar i korntillväxtbeteende i keramiska material vid dopning och kopplade dessa förändringar till strukturella övergångar vid korngränserna, " sa Frolev. "T.ex. en bildning av onormalt stora korn kan drastiskt förändra egenskaperna hos ett material, men svårt att förutsäga eller kontrollera. Vår nya metod ger första solida bevis på övergångar vid korngränser. Vi kan nu förutsäga olika tillstånd av korngränser och förklara de plötsliga förändringarna i egenskaper hos material som ses i experiment."