Kristaller finns överallt:de flesta metaller, till exempel, är kristallina. Kända för den nästan perfekta organisationen av sina atomer, kristaller innehåller ändå alltid ofullkomligheter, som kallas defekter. Koncentrationen och morfologin av defekter i ett kristallint fast ämne har en direkt inverkan på materialets egenskaper. Att förbättra förståelsen för kristalldefekter och deras utveckling kommer därför att göra det lättare att förutsäga förändringar i hur material förändras över tiden. Att förstå sådana förändringar är särskilt avgörande för att säkerställa en optimal utformning av anläggningar som utsätts för svåra miljöförhållanden såsom bestrålning.

Inom modern materialvetenskap, forskare simulerar uppkomsten och utvecklingen av defekter i kristallina fasta ämnen med hjälp av mycket storskaliga datorsimuleringar. Dock, den enorma strömmen av data som genereras gör att analysera numeriska simuleringsexperiment till en extremt komplex process. Forskare vid CEA, resultaten av vars arbete nyligen har publicerats i Naturkommunikation , föreslå ett nytt tillvägagångssätt som kan tillämpas universellt för att övervinna denna svårighet. Detta nya tillvägagångssätt är den första metoden som kan tillämpas på alla material med en kristallin struktur. Ge en kontinuerlig visualisering av en defekt och dess atomära miljö, detta underlättar beskrivningen av komplexa fysiska processer såsom migrering av defekter under bestrålning.

Forskarna, från Nuclear Energy Division och Military Applications Division av CEA, har använt artificiell intelligens metoder för att utveckla en algoritm som beskriver förvrängningar i den lokala atommiljön orsakade av defekter i materialet. Denna distorsionspoäng underlättar automatisk defektlokalisering och möjliggör en "stratifierad" beskrivning av defekter som kan användas för att särskilja zoner med olika nivåer av distorsion inom den kristallina strukturen.

Resultaten av denna studie öppnar upp för många spännande möjligheter för framtida utveckling inom hela materialvetenskapssamhället. Dessa simuleringsverktyg kan användas för att automatisera analys av enorma datamängder, såsom de som genereras som ett resultat av experimentella tekniker som atomsondstomografi, transmissionselektronmikroskopi och synkrotronstrålning, metoder som redan används för att undersöka materiens mysterier. Denna utveckling kan även tillämpas inom andra områden, inklusive kemi, biologi och medicin, till exempel, för att upptäcka cellulära defekter som är karakteristiska för cancer.