Forskare från University of Illinois Urbana-Champaign har omarbetat diffusion i flerkomponentlegeringar som en summa av individuella bidrag, kallade "kinosoner". Genom att använda maskininlärning för att beräkna den statistiska fördelningen av de individuella bidragen kunde de modellera legeringen och beräkna dess diffusivitetsordningar mer effektivt än att beräkna hela banor.

Detta arbete är publicerat i tidskriften Physical Review Letters .

"Vi hittade ett mycket effektivare sätt att beräkna diffusion i fasta ämnen, och samtidigt lärde vi oss mer om de grundläggande processerna för diffusion i samma system", säger materialvetenskap och ingenjörsprofessor Dallas Trinkle, som ledde detta arbete, tillsammans med doktoranden Soham Chattopadhyay.

Diffusion i fasta ämnen är den process genom vilken atomer rör sig genom ett material. Produktionen av stål, joner som rör sig genom ett batteri och dopning av halvledarenheter är alla saker som styrs av diffusion.

Här modellerade teamet diffusion i flerkomponentlegeringar, som är metaller som består av fem olika element - mangan, kobolt, krom, järn och nickel i denna forskning - i lika mängder. Dessa typer av legeringar är intressanta eftersom ett sätt att göra starka material är att lägga ihop olika element som att lägga till kol och järn för att göra stål.

Flerkomponentlegeringar har unika egenskaper, såsom bra mekaniskt beteende och stabilitet vid höga temperaturer, så det är viktigt att förstå hur atomer diffunderar i dessa material.

För att få en bra titt på diffusion krävs långa tidsskalor eftersom atomer slumpmässigt rör sig runt och med tiden kommer deras förskjutning från utgångspunkten att växa. "Om någon försöker simulera diffusionen är det jobbigt eftersom du måste köra simuleringen under mycket lång tid för att få hela bilden", säger Trinkle.

"Det begränsar verkligen många sätt som vi kan studera diffusion. Mer exakta metoder för att beräkna övergångshastigheter kan ofta inte användas eftersom du inte skulle kunna göra tillräckligt många steg i en simulering för att få den långvariga banan och få en rimligt värde för spridning."

En atom kan hoppa till vänster men sedan kan den hoppa tillbaka till höger. I så fall har atomen inte rört sig någonstans. Säg nu att den hoppar åt vänster, sedan händer 1 000 andra saker och sedan hoppar den tillbaka till höger. Det är samma effekt.

Trinkle säger, "Vi kallar den korrelationen eftersom atomen vid ett tillfälle gjorde ett hopp och sedan gjorde den det hoppet igen. Det är det som gör diffusionen komplicerad. När vi tittar på hur maskininlärning löser problemet, vad den verkligen gör är att den förändras. problemet till ett där det inte finns några av dessa korrelerade hopp."

Därför bidrar varje hopp som en atom gör till diffusion och problemet blir mycket lättare att lösa. "Vi kallar dessa hopp kinosoner, för små rörelser," säger Trinkle.

"Vi har visat att du kan extrahera fördelningen av dessa, sannolikheten att se en kinoson av en viss storlek, och lägga ihop dem alla för att få den verkliga diffusiviteten. Utöver det kan du se hur olika element diffunderar i en fast."

En annan fördel med att modellera diffusion med hjälp av kinosoner och maskininlärning är att det är betydligt snabbare än att beräkna hela banor i lång tid. Trinkle säger att med den här metoden kan simuleringar göras 100 gånger snabbare än vad det skulle ta med de vanliga metoderna.

"Jag tror att den här metoden verkligen kommer att förändra hur vi tänker kring diffusion", säger han. "Det är ett annat sätt att se på problemet och jag hoppas att det här under de kommande 10 åren kommer att vara standardsättet att se på diffusion. För mig är en av de spännande sakerna inte bara att det fungerar snabbare, utan du också lär dig mer om vad som händer i systemet."