Ett nytt sätt att beräkna interaktionen mellan en metall och dess legeringsmaterial skulle kunna påskynda jakten på ett nytt material som kombinerar hårdheten hos keramik med metallens motståndskraft.

Upptäckten, gjord av ingenjörer vid University of Michigan, identifierar två aspekter av denna interaktion som exakt kan förutsäga hur en viss legering kommer att bete sig – och med färre krävande, kvantmekaniska beräkningar från början.

"Våra resultat kan möjliggöra användningen av maskininlärningsalgoritmer för legeringsdesign, potentiellt påskynda sökandet efter bättre legeringar som kan användas i turbinmotorer och kärnreaktorer, sa Liang Qi, biträdande professor i materialvetenskap och teknik som ledde forskningen.

Dagens jetmotorer och kärnreaktorer kan inte bli för varma, annars skulle metallen i motorns turbin eller reaktorns inre komponenter mjukna upp. Dock, jetmotorer skulle kunna fungera mer effektivt och kärnreaktorer skulle kunna vara säkrare om de kunde upprätthålla högre temperaturer, sa Qi. Sökandet pågår efter ett material som är mycket hårt även vid höga temperaturer men som också är motståndskraftigt mot sprickbildning.

Materialforskare närmar sig detta problem genom legeringar - att blanda en metall med ett eller flera andra element. En metall består huvudsakligen av ett kristallgitter, med atomerna packade på ett ordnat sätt. Dock, det är defekterna – eller de platser där gallret är stört – som har störst inflytande över hur ett material kommer att bete sig, sa Qi.

"Defekternas egenskaper avgör mekaniska, värme- och bestrålningsprestanda hos metaller eftersom atomer vid defekter vanligtvis har färre begränsningar att röra sig på jämfört med de i perfekta positioner, " han sa.

Vissa defekter är svaghetspunkter, såsom brott i gallret som täcker stora ytor – så kallade korngränser. Men små defekter, såsom dislokationer av flera rader av atomer, kan förbättra en metalls prestanda genom att låta den böjas, till exempel.

Legeringselement kombineras med defekter för att skapa ett nätverk av störningar i värdmetallens gitter, men det är svårt att förutsäga hur det nätverket kommer att påverka metallens prestanda.

Teamet begränsade sin studie till metaller med bara ett legeringselement vid defekter - fortfarande ett stort designutrymme med hundratals materialkombinationer och miljontals defektstrukturer.

Elektroner är ansvariga för att länka samman atomerna i gittret, så laget letade efter ett samband mellan hur elektroner är strukturerade i en vanlig gitteratom och en atom vid en defekt - och hur detta förändrar sättet som gittret interagerar med ett legeringselement. En hög interaktionsenergi mellan metallen och legeringselementet vid defekten gör vanligtvis metallen mindre flexibel, till exempel, medan en lägre energi betyder att de inte är så tätt sammansvetsade.

Teamet identifierade två åtgärder, som de kallar "deskriptorer, " som representerar hur strukturen hos elektronerna förändras vid defekten i den rena metallen. Genom att använda dessa, de kunde ta reda på hur ett legeringselement skulle interagera med defekten.

"Vi blev förvånade över att finna att den prediktiva kraften fanns för olika typer av defekter och platser, givet en viss metallkristall och legeringselement, " sa Yong-Jie Hu, en postdoktor i materialvetenskap och ingenjörsvetenskap och första författare på uppsatsen i Naturkommunikation .

Teamet fann att de kunde förutsäga hur atomer i legeringselementet koncentrerades vid olika typer av defekter - inklusive komplexa typer som korngränser med hög vinkel, där gallret är kraftigt felinriktat.

Identifieringen av dessa deskriptorer är ett viktigt steg mot att kunna utnyttja maskininlärning effektivt för legeringsdesign, använda algoritmer för att tråla igenom resultaten av mycket exakta men beräkningsintensiva kvantmekaniska simuleringar.

Dock, forskarna noterar att fler deskriptorer måste upptäckas för att förutsäga hur mer komplexa legeringar kommer att bete sig, till exempel de med två eller flera legeringselement vid defekter. Och även om dessa beskrivningar kan ingå i maskininlärning, människor kommer förmodligen att identifiera dem.

"Upptäckten gjordes genom "mänskligt lärande" från klassiska elektroniska modeller, " sa Qi. "Det indikerar att, i en tid av big data och artificiell intelligens, mänsklig intelligens ger fortfarande tillförlitliga resurser för vetenskapliga upptäckter."

En artikel om denna forskning publiceras i tidskriften Naturkommunikation , betitlad, "Lokala elektroniska deskriptorer för interaktioner mellan lösta ämnen och defekter i bcc eldfasta metaller."