Yeni teknik, ince atomik desenleri yakalayarak metal alaşım davranışı tahminlerini keskinleştiriyor

Havacılık, enerji ve bilişim alanında en ileri düzeyde çalışan şirketler, performansı artırmak için sürekli olarak yeni malzemeler arıyor. Ancak bu malzemelerin roketlerin veya bilgisayar çiplerinin içine girdiğinde gerçekte nasıl davranacağını anlamak için şirketlerin önce malzemeyi üretmesi ve ardından test etmesi gerekiyor. Bunun nedeni, en güçlü simülasyon tekniklerinin bile günümüzün katı malzemelerinin çoğundaki karmaşık kimyasal düzenlemeleri modellemede zorluk yaşamasıdır. Sorun, malzeme yeniliğine maliyet ve zaman katıyor.

Şimdi MIT araştırmacılarından oluşan bir ekip, kimyasal düzenlemelerinin karmaşıklığına bakılmaksızın metallerin davranışını doğru bir şekilde modellemenin bir yolunu yarattı. Yaklaşımın merkezinde malzeme simülasyonlarını daha hızlı ve daha doğru hale getiren makine öğrenimi modelleri yer alıyor. Araştırmacılar, kimyasal olarak düzensiz malzemelerdeki atomik ortamların çeşitliliğini yakalayan eğitim veri setleri oluşturarak bu modelleri geliştirdiler.

Yeni bir makalede Bilim GelişmeleriAraştırmacılar, yaklaşımlarının çeşitli koşullar altında çeşitli metal alaşımları grubunun malzeme özelliklerini doğru bir şekilde tahmin etmek için kullanılabileceğini gösterdi. Ayrıca, özellikle deneylerin pahalı olduğu senaryolarda, yaklaşımın yeni malzemeler geliştirmek için nasıl kullanılabileceğini de gösterdiler.

MIT’nin Malzeme Bilimi ve Mühendisliği alanında TDK Kariyer Geliştirme Profesörü olan kıdemli yazar Rodrigo Freitas, “Makalenin odak noktası metalik alaşımlar, benim de çalıştığım alan bu, ancak bu yarı iletkenler gibi diğer malzeme türlerine de uyarlanabilir” diyor.

“Bu herhangi bir uygulamaya özgü değil; bu yaklaşımı yeni sürdürülebilir çelikler, havacılık ve uzay için yeni malzemeler ve daha fazlasını oluşturmak için kullanabilirsiniz. Bunu heyecan verici kılan da bu.”

Makalede Freitas’a katılanlar arasında ilk yazar Killian Sheriff, Ph.D.; MIT Doktora Derecesi öğrenciler Daniel Xiao ve Yifan Cao; ve Sheffield Üniversitesi kıdemli öğretim görevlisi Lewis R. Owen.

Metallerin modellenmesi

Malzeme özellikleri çoğunlukla kimyasal elementlerin iç düzenlemesi ile belirlenir. İki malzeme aynı kimyasal element karışımına sahip olsa bile, farklı kimyasal düzenlemeler kırılgan bir malzeme ile kırılmadan deforme olan bir malzeme arasındaki farkı yaratabilir.

Bu ayrımı yakalamak, malzemelerin atom atom simüle edilmesini gerektirir. Bunu yapmak için araştırmacılar atomların birbirleriyle nasıl etkileşime girdiğini açıklayan modellere güveniyorlar.

Son yirmi yılda makine öğrenimi bu modelleri oluşturmanın en doğru yolu haline geldi. Bu tür modeller, malzemelerin içindeki kimyasal düzenlemeler oldukça düzenli desenler izlediğinde iyi çalışır, ancak atomik kimyasal düzenlemeleri düzensiz olan ve bir bölgeden diğerine değişen çoğu katı malzeme için durum böyle değildir.

Freitas, “Alanımızdaki asıl zorluk, kimyasal olarak düzensiz olan bu aşamaları modellemektir” diyor. “Kimyasal bozukluk, makine öğrenimi modelinin öğrenmesi zor olan çok çeşitli yerel kimyasal ortamların olduğu anlamına gelir. Bu bir sorundur çünkü pratikte kullandığımız her metal kimyasal olarak düzensizdir.”

Sorun, atom atom simülasyonları için temsili eğitim verilerinin eksikliğinden kaynaklanmaktadır. Bu tür verileri oluşturmaya yönelik mevcut önde gelen yaklaşım, kaba kuvvetle çalışır ve tek bir materyal için eğitim verilerinin oluşturulması genellikle 100.000 saatten fazla hesaplama gerektirir. O zaman bile araştırmacılar malzemenin bileşimini değiştirdiğinde iyi bir şekilde aktarılmıyor.

Önceki çalışmada Freitas’ın grubu, küçük atom gruplarının frekansını ve aralığını analiz ederek katı malzemelerin kimyasal karmaşıklığını ölçmenin bir yolunu geliştirmişti. Bu çalışma için araştırmacılar bu yeteneği daha iyi eğitim veri setleri oluşturmak için kullandılar.

Düzensiz malzemeler içindeki daha geniş çeşitlilikteki yerel kimyasal ortamları yakalayan eğitim veri setleri oluşturmak için bilgi teorisi olarak bilinen matematiksel bir yaklaşım kullandılar. Yöntem, tekrarlamayı azaltmak ve modeli aksi halde gözden kaçırabileceği kimyasal ortamlara maruz bırakmak için numunelerdeki atomları değiştirerek çalışır.

Freitas, “Mümkün olduğunca çok farklı yerel ortamı yakalayacak şekilde eğitim setini optimize etmeye devam ettik” diyor. “Aynı türde bir ortam birçok kez ortaya çıktığında, gereksiz örnekleri modelin daha önce görmediği örneklerle değiştirdik. Bu, eğitim setini çok daha bilgilendirici hale getiriyor çünkü her örnek yeni bir şey ekliyor.”

Araştırmacıların veri setleri üzerinde eğitim verildiğinde modeller, malzeme özelliklerini, rastgele örnekleme veya başka bir popüler örnekleme yöntemi kullanılarak eğitilen modellerden daha doğru bir şekilde tahmin etti.

“Tüm bu atom atom simülasyonlarının başlangıç ​​noktası şudur: Atomlar arasındaki kimyasal bağı doğru bir şekilde tanımlayabiliyor musunuz?” Freitas açıklıyor. “Aksi takdirde, size genel olarak materyaller hakkında bilgi vermeye devam edebilir, ancak gerçek dünyada belirli materyallere ne olacağını söylemez. Bu yaklaşım, materyallere olanları daha iyi yansıtmak için simülasyonları kimya açısından yüksek doğrulukta hale getirir.”

Araştırmacılar, kimyasal açıdan çeşitli metal alaşımlarından oluşan bir grup için makine öğrenimi eğitim veri setleri oluşturmak için tekniklerini uyguladılar. Bir dizi makine öğrenimi modeli kullanarak, kendi veri kümelerinde eğitilen modellerin, Google ve Microsoft gibi şirketlerin oluşturduğu çok daha büyük modellerden daha doğru olduğunu gösterdiler.

Freitas, “Bu pahalı kaba kuvvet yöntemlerini kullanmadan işe yaradığına ikna olduğumuz bir noktaya geldik” diyor. “Killan’a şöyle dedim: ‘Bu iyi bir makale. Ancak bu modellerle yapılan simülasyonların artık faydalı malzeme özelliklerini doğru bir şekilde tahmin edebildiğini gösterebilirseniz, o zaman çok iyi bir makale haline gelir.’ Killian bunu dikkate aldı ve elinden geldiğince geniş bir şekilde test etti.”

Şerif, farklı alaşımlar ve özellikler genelinde yaklaşımı test etmek için Xiao ve Cao ile birlikte çalıştı. Ekip ayrıca simülasyonları alaşımlardaki atomik sıralamanın gerçek ölçümleriyle karşılaştırmak için Owen’ın deneysel verilerinden yararlandı.

Laboratuvardan endüstriye

Yöntem kısmen örnek verilerdeki gizli kalıpları yakalayarak çalışır. Araştırmacılar makaledeki kalıpları “belirli yerel kimyasal konfigürasyonlara yönelik ince enerjisel önyargılar” olarak tanımlıyorlar.

Bu küçük enerji farklılıkları önemlidir çünkü bunlar bir alaşımda hangi fazların oluşacağını, bu fazların sıcaklık ve bileşime göre nasıl değiştiğini ve sonuçta malzemenin hangi özelliklere sahip olacağını belirler. Bir test olarak Xiao, ekibin modellerinin deneysel verilerle yakından eşleşen faz diyagramlarını tahmin edebildiğini gösteren simülasyonlara öncülük etti.

Faz diyagramları, farklı sıcaklıklarda ve kimyasal bileşimlerde hangi fazların kararlı olduğunu haritalandırır ve alaşımların tasarlanması ve işlenmesi için merkezi bir araçtır.

Freitas, “Faz diyagramları, insanların malzeme modellemesini gerçek işleme kararlarına bağlamanın ana yollarından biridir” diyor. “Bir alaşıma kaynak yapıyor, döküm yapıyor veya ısıl işlem uyguluyorsanız, farklı koşullar altında hangi fazların oluşabileceğini bilmeniz gerekir. Amacımız bu tür tahminleri insanların malzeme tasarlama biçiminin bir parçası haline getirecek kadar doğru ve yeterince erişilebilir hale getirmektir.”

Araştırmacılar artık bu yaklaşımı, zorlu ortamlarda güçlü ve hasara dayanıklı malzemeler tasarlama hedefiyle, bir alaşımın bileşimini değiştirmenin mekanik özellikleri ve radyasyon toleransını nasıl etkilediğini incelemek için kullanıyor. Ayrıca, malzeme mühendislerinin zaten kullandığı araç ve iş akışlarıyla yöntemin kullanımını kolaylaştırmak için çalışıyorlar.

Freitas, “Yarattığınız şey onların mevcut çalışma prosedürlerine uymuyorsa, endüstri işleri yapma şeklini değiştirmeyecektir” diyor. “Amaç, bu tahminleri maddi kararların fiilen verildiği yerlerde faydalı kılmaktır.”