Argonne-forskare över flera discipliner har slagit samman krafter för att skapa en ny process för att testa och förutsäga effekterna av höga temperaturer på eldfasta oxider.

Gjutjärn smälter vid cirka 1, 200 grader Celsius. Rostfritt stål smälter vid cirka 1, 520 grader Celsius. Om du vill forma dessa material till vardagliga föremål, som stekpannan i ditt kök eller de kirurgiska verktyg som används av läkare, Det är självklart att du skulle behöva skapa ugnar och formar av något som tål även dessa extrema temperaturer.

Det är där eldfasta oxider kommer in. Dessa keramiska material kan stå emot blåsvärme och behålla sin form, vilket gör dem användbara för alla möjliga saker, från ugnar och kärnreaktorer till de värmeskyddande plattorna på rymdfarkoster. Men med tanke på de ofta farliga miljöerna där dessa material används, forskare vill förstå så mycket de kan om vad som händer med dem vid höga temperaturer, innan komponenter byggda av dessa material möter dessa temperaturer i den verkliga världen.

"Jag säger inte att människor inte är fantastiska, men om vi får hjälp av datorer och mjukvara, vi kan bli större. Det öppnar dörren för fler experiment som detta som främjar vetenskapen." - Marius Stan, programledare, Intelligent materialdesign, Argonne

Ett team av forskare från U.S. Department of Energys (DOE) Argonne National Laboratory har kommit på ett sätt att göra just det. Genom att använda innovativa experimentella tekniker och ett nytt tillvägagångssätt för datorsimuleringar, gruppen har utarbetat en metod för att inte bara få exakta data om de strukturella förändringar som dessa material genomgår nära sina smältpunkter, men mer exakt förutsäga andra förändringar som för närvarande inte kan mätas.

Teamets arbete har publicerats i Fysiska granskningsbrev .

Fröet till detta samarbete såddes av Marius Stan, ledare för programmet Intelligent Materials Design i Argonnes division Applied Materials. Stans grupp hade utvecklat massor av modeller och simuleringar om smältpunkterna för eldfasta oxider, men han ville testa dem.

"Det bottnar i önskan att se om våra matematiska modeller och simuleringar representerar verkligheten eller inte, " sa Stan. "Men det har utvecklats till en studie av maskininlärning. Det jag tycker är mest spännande är att det nu finns ett sätt för oss att förutsäga interaktioner mellan atomer automatiskt."

Den innovationen började med att vända ett välbekant manus, enligt Ganesh Sivaraman, huvudförfattare på tidningen och en assisterande beräkningsforskare vid Data Science and Learning-avdelningen vid Argonne. Han utförde detta arbete medan han var postdoktor vid Argonne Leadership Computing Facility (ALCF), en DOE Office of Science User Facility.

Medan de flesta experiment börjar med en teoretisk modell - i grunden, en välgrundad och utbildad gissning om vad som kommer att hända under verkliga förhållanden – teamet ville starta den här med experimentella data och designa sina modeller runt det.

Sivaraman berättar en historia om en berömd tysk matematiker som ville lära sig simma, så han tog upp en bok och läste om den. Skapa teorier utan att beakta experimentella data, Sivaraman sa, är som att läsa en bok om simning utan att någonsin hamna i en pool. Och Argonne-teamet ville hoppa in på djupet.

"Det är mer korrekt att bygga en modell kring experimentella data, " Sa Sivaraman. "Det för modellen närmare verkligheten."

För att få den informationen, beräkningsforskarna samarbetade med fysikern Chris Benmore och biträdande fysikern Leighanne Gallington från Argonnes röntgenvetenskapsavdelning. Benmore och Gallington arbetar på Advanced Photon Source (APS), en DOE Office of Science User Facility i Argonne, som genererar mycket ljusa röntgenstrålar för att belysa materialstrukturer, bland annat. Strållinjen de använde för detta experiment tillåter dem att undersöka den lokala och långväga strukturen hos material under extrema förhållanden, såsom höga temperaturer.

Självklart, värma upp eldfasta oxider – i det här fallet, hafniumdioxid, som smälter vid cirka 2, 870 grader Celsius – kommer med sina egna komplikationer. Vanligtvis, provet skulle vara i en behållare, men det finns ingen tillgänglig som skulle klara dessa temperaturer och fortfarande tillåta röntgenstrålar att passera genom dem. Och du kan inte ens vila provet på ett bord, eftersom bordet kommer att smälta innan provet gör det.

Lösningen kallas aerodynamisk levitation och innebär att forskare använder gas för att suspendera ett litet (2-3 mm i diameter) sfäriskt materialprov cirka en millimeter i luften.

"Vi har ett munstycke kopplat till ett flöde av inert gas, och när det suspenderar provet, en 400-watts laser värmer materialet uppifrån, " sa Gallington. "Du måste mixtra med gasflödet för att få det att levitera stabilt. Du vill inte ha det för lågt, eftersom provet kommer att vidröra munstycket, och kan smälta till det."

När data togs och strållinjeforskare hade en god förståelse för en del av vad som händer när hafniumoxid smälter, datavetarna tog bollen och sprang med den. Sivaraman matade in data i två uppsättningar av maskininlärningsalgoritmer, en av dem som förstår teorin och kan göra förutsägelser, och en annan - en aktiv inlärningsalgoritm - som fungerar som en lärarassistent, ger bara den första de mest intressanta uppgifterna att arbeta med.

"Aktiv inlärning hjälper andra typer av maskininlärning att lära sig med mindre data, Sivaraman förklarade. Säg att du vill gå från ditt hus till marknaden. Det kan finnas många sätt att ta sig dit, men du behöver bara veta den kortaste vägen. Aktivt lärande kommer att peka ut den kortaste vägen och filtrera bort de andra."

Beräkningar kördes på superdatorer vid ALCF och Laboratory Computing Resource Center i Argonne. Det teamet slutade med är en datorgenererad modell baserad på verkliga data, en som tillåter dem att förutsäga saker som experimentalisterna inte – eller kunde – fånga.

"Vi har vad som kallas en flerfas potential, och det kan förutsäga många saker, " sa Benmore. "Vi kan nu gå vidare och ge dig andra parametrar, till exempel hur väl den behåller sin form vid höga temperaturer, som vi inte mätte. Vi kan extrapolera vad som skulle hända om vi går över den temperatur vi kan nå."

"Modellen är bara så bra som den data du ger den, och ju mer du ger det desto bättre blir det, " tillade Benmore. "Vi ger så mycket information vi kan, och modellen blir bättre."

Sivaraman beskriver detta arbete som ett proof of concept, en som kan återkopplas till ytterligare experiment. Det är ett fint exempel, han sa, av samarbete mellan olika delar av Argonne, och forskning som inte kunde göras utan resurserna från ett nationellt laboratorium.

"Vi kommer att upprepa detta experiment på andra material, " Sa Sivaraman. "Våra APS-kollegor har infrastrukturen för att studera hur dessa material smälter under extrema förhållanden, och vi arbetar med datavetare för att bygga mjukvaran och strömningsinfrastrukturen för att snabbt bearbeta dessa datauppsättningar i stor skala. Vi kan införliva aktivt lärande i ramverket och lära ut modeller för att mer effektivt bearbeta dataströmmen med ALCF-superdatorer."

För Stan, proof of concept är ett som kan ersätta den nödvändiga tröttheten för människor som arbetar fram dessa exakta beräkningar. Han har sett denna teknik utvecklas under sin karriär, och nu tar det som en gång tog månader bara några dagar.

"Jag säger inte att människor inte är fantastiska, " skrattade han, "men om vi får hjälp av datorer och mjukvara, vi kan bli större. Det öppnar dörren för fler experiment som detta som främjar vetenskapen."