Avancerade metallegeringar är viktiga i viktiga delar av det moderna livet, från bilar till satelliter, från byggmaterial till elektronik. Men att skapa nya legeringar för specifika användningsområden, med optimerad styrka, hårdhet, korrosionsbeständighet, ledningsförmåga, och så vidare, har begränsats av forskarnas suddiga förståelse för vad som händer vid gränserna mellan de små kristallina kornen som utgör de flesta metaller.

När två metaller blandas ihop, atomerna i sekundärmetallen kan samlas längs dessa korngränser, eller de kan spridas ut genom gitter av atomer i kornen. Materialets övergripande egenskaper bestäms till stor del av dessa atomers beteende, men hittills har det inte funnits något systematiskt sätt att förutsäga vad de kommer att göra.

Forskare vid MIT har nu hittat ett sätt, använder en kombination av datorsimuleringar och en maskininlärningsprocess, att producera den typ av detaljerade förutsägelser av dessa egenskaper som kan styra utvecklingen av nya legeringar för en mängd olika applikationer. Fynden beskrivs idag i tidskriften Naturkommunikation , i en uppsats av doktoranden Malik Wagih, postdoc Peter Larsen, och professor i materialvetenskap och teknik Christopher Schuh.

Schuh förklarar att förståelse av beteendet på atomnivå hos polykristallina metaller, som står för de allra flesta metaller vi använder, är en skrämmande utmaning. Medan atomerna i en enda kristall är ordnade i ett ordnat mönster, så att förhållandet mellan intilliggande atomer är enkelt och förutsägbart, det är inte fallet med de många små kristallerna i de flesta metallföremål. "Du har kristaller krossade vid vad vi kallar korngränser. Och i ett konventionellt strukturmaterial, det finns miljoner och åter miljoner sådana gränser, " han säger.

Dessa gränser hjälper till att bestämma materialets egenskaper. "Du kan tänka på dem som limmet som håller ihop kristallerna, " säger han. "Men de är oordnade, atomerna blandas ihop. De matchar inte någon av de kristaller de går med i. "Det betyder att de erbjuder miljarder möjliga atomarrangemang, han säger, jämfört med bara några få i en kristall. Att skapa nya legeringar innebär att "försöka designa dessa regioner inuti en metall, och det är bokstavligen miljarder gånger mer komplicerat än att designa i en kristall."

Schuh drar en analogi till människor i ett grannskap. "Det är ungefär som att vara i en förort, där du kanske har 12 grannar runt dig. I de flesta metaller, du ser dig omkring, du ser 12 personer och de är alla på samma avstånd från dig. Det är helt homogent. Medan i en korngräns, du har fortfarande något i stil med 12 grannar, men de är alla på olika avstånd och de är alla olika stora hus i olika riktningar."

Traditionellt, han säger, de som designar nya legeringar hoppar helt enkelt över problemet, eller bara titta på de genomsnittliga egenskaperna hos spannmålsgränserna som om de alla är desamma, även om de vet att så inte är fallet.

Istället, teamet beslutade att närma sig problemet noggrant genom att undersöka den faktiska fördelningen av konfigurationer och interaktioner för ett stort antal representativa fall, och sedan använda en maskininlärningsalgoritm för att extrapolera från dessa specifika fall och tillhandahålla förutsagda värden för en hel rad möjliga legeringsvariationer.

I vissa fall, sammanslagningen av atomer längs korngränserna är en önskad egenskap som kan öka metallens hårdhet och motståndskraft mot korrosion, men det kan också ibland leda till sprödhet. Beroende på den avsedda användningen av en legering, ingenjörer kommer att försöka optimera kombinationen av egenskaper. För denna studie, teamet undersökte över 200 olika kombinationer av en basmetall och en legeringsmetall, baserat på kombinationer som hade beskrivits på en grundläggande nivå i litteraturen. Forskarna simulerade sedan systematiskt några av dessa föreningar för att studera deras spannmålsgränskonfigurationer. Dessa användes för att generera förutsägelser med hjälp av maskininlärning, som i sin tur validerades med mer fokuserade simuleringar. Maskininlärningsförutsägelserna stämde väl överens med de detaljerade mätningarna.

Som ett resultat, forskarna kunde visa att många legeringskombinationer som hade uteslutits som olämpliga faktiskt visar sig vara genomförbara, säger Wagih. Den nya databasen som sammanställts från denna studie, som har gjorts tillgänglig för allmänheten, kan hjälpa alla som nu arbetar med att designa nya legeringar, han säger.

Teamet går vidare med analysen. "I vår ideala värld, vad vi skulle göra är att ta varje metall i det periodiska systemet, och sedan skulle vi lägga till alla andra element i det periodiska systemet till det, " säger Schuh. "Så du tar det periodiska systemet och korsar det med sig själv, och du skulle kontrollera alla möjliga kombinationer." För de flesta av dessa kombinationer, grunddata är ännu inte tillgängliga, men när fler och fler simuleringar görs och data samlas in, detta kan integreras i det nya systemet, han säger.

Yuri Mishin, en professor i fysik och astronomi vid George Mason University, som inte var involverad i detta arbete, säger "Korngränssegregering av lösta element i legeringar är ett av de mest grundläggande fenomenen inom materialvetenskap. Segregation kan katastrofalt spröda korngränser eller förbättra deras sammanhållning och glidmotstånd. Exakt kontroll av segregationsenergierna är ett effektivt verktyg för att designa nya tekniska material med avancerad mekanisk, termisk, eller elektroniska egenskaper."

Men, han lägger till, "En stor begränsning av de befintliga segregationsmodellerna är beroendet av en genomsnittlig segregationsenergi, vilket är en väldigt grov uppskattning." Det är utmaningen, han säger, som detta team framgångsrikt har tagit itu med:"Forskningskvaliteten är utmärkt, och kärnidén har en betydande potential att påverka legeringsdesignområdet genom att tillhandahålla ett ramverk för snabb screening av legeringselement för deras förmåga att segregera till korngränser."

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.