生铁在1, 200 ℃旁边熔化。不锈钢的熔点约为1, 520 ℃。如果要将这些材料做成日常物品,例如,厨房的煎锅或年夜夫利用的外科工具,则须要利用纵然在极度温度下也能承受的材料。
这便是难熔氧化物的用场。这些陶瓷材料可以承受高温并保持形状,它们适用于从窑炉、核反应堆到航天器的隔热砖等各种物体。但考虑到利用这些材料时候的「危险环境」,科学家希望在利用这些材料制成的组件碰着现实天下中的温度之前,尽可能多地理解高温下它们会发生什么。
近日,美国能源部(DOE)的阿贡(Argonne)国家实验室研究职员提出了一种办理方案。他们利用创新的实验技能和打算机仿照技能设计了一种新的方法,该方法不仅可以获取有关这些材料在其熔点附近经历的构造变革的精确数据,而且可以更准确地预测当前无法丈量的其他变革。
研究成果以题为「实验驱动的难熔氧化物的自动机器学习的原子间势」(Experimentally Driven Automated Machine-Learned Interatomic Potential for a Refractory Oxide)揭橥在《物理评论快报》(PHYSICAL REVIEW LETTERS)上。
互助的「种子」
这次互助的种子是由Argonne运用材料部门智能材料设计操持的卖力人Marius Stan播种的。Stan的小组已经开拓了许多有关难熔氧化物熔点的模型和仿照,但他想对其进行测试。
Stan说:「这源于人们希望看到我们的数学模型和仿照是否代表现实。但它已经演化成对机器学习的研究。最令人愉快的是,现在我们有了一种自动预测原子之间相互浸染的方法。」
该论文的紧张作者Ganesh Sivaraman认为,这种创新始于翻转熟习的脚本。
大多数实验基本上都是从理论模型开始的,这是对现实生活中会发生什么的明智和有根据的预测,因此,该团队希望从实验数据开始,并以此为根本设计他们的模型。
Sivaraman说:「在不考虑实验数据的情形下创造理论,就像是读一本关于拍浮的书,而无需进入拍浮池。Argonne团队想跳到最深处,环绕实验数据建立更为准确的模型,使模型更靠近现实。」
图示:实验驱动的事情流程。(来源:论文)
为了得到这些数据,打算科学家与Argonne X射线科学部的物理学家Chris Benmore和助理物理学家Leighanne Gallington进行了互助。Benmore和Gallington在Argonne的DOE科学用户举动步伐高等光子源(APS)事情,APS产生非常通亮的X射线束,以照亮材料的构造。他们在本实验中利用的光束线使他们能够在极度条件下(例如高温)检讨材料的局部和远程构造。
当然,在这种情形下,加热难熔氧化物二氧化铪(在2, 870 ℃旁边融化)也会带来繁芜的问题。常日,样品会放在一个容器中,但是没有一种容器能够承受这样的温度,同时还能许可x射线通过。乃至不能将样品放在桌子上,由于桌子会在样品熔化之前融化。
气动悬浮
该办理方案称为气动悬浮,科学家利用气体将小的(直径为2-3毫米)球形样品悬浮在空气中约1毫米。
Gallington说:「我们有一个与惰性气体流相连的喷嘴,当它悬浮样品时,一台400瓦的激光从上方加热该材料。你须要调度气流以使其稳定悬浮。你不肯望它过低,由于样品会碰到喷嘴,并可能熔化。」
主动学习
一旦获取了数据,并且光束线的科学家对氧化铪熔化后会发生的情形有了很好的理解,打算机科学家便拿着球运行它。Sivaraman将数据输入两组机器学习算法中,个中一组可以理解理论并做出预测,而另一种是主动学习算法充当「助教」,只为第一个供应最有趣的数据。
「主动学习可以帮助其他类型的机器学习以更少的数据进行学习,」 Sivaraman阐明说。「假设你要从你家走到市场。到达那里可能有很多方法,但是你只须要知道最短的路径即可。主动学习将指出最短的路径,并过滤掉其他的路径。」
打算是在ALCF和位于Argonne的实验室打算资源中央的超级打算机上运行的。团队终极得到的是一种基于现实生活数据的打算机天生的模型,该模型可以让他们预测实验职员没有或无法捕获的东西。
Benmore说:「我们有所谓的多相电位,它可以预测很多事情。我们现在可以连续为你供应其他参数,例如它在高温下保持形状的程度,这是我们无法丈量的。我们可以推断出,如果温度超出可达到的范围,将会发生什么。」
Benmore补充说:「模型的好坏取决于你供应的数据,你供应的数据越多,它就会变得越好。我们会供应尽可能多的信息,模型会变得更好。」
过去须要几个月,现在只需几天
Sivaraman将这项事情描述为一种观点证明,可以将其反馈到进一步的实验中。
Sivaraman说:「我们将在其他材料上重复这一实验。我们的APS同事拥有研究这些材料在极度条件下如何融化的根本举动步伐,我们正在与打算机科学家互助开拓软件和流媒体根本举动步伐,以快速地处理这些大规模数据集。我们可以将主动学习纳入框架并教授模型利用ALCF超级打算机更有效地处理数据流。」
对付Stan来说,观点的证明可能会取代人们进行精确打算所必需的呆板事情。在他的职业生涯中,他见证了这项技能的发展,过去须要几个月的韶光,现在只需几天。
Stan笑着说:「我并不是说人类不伟大,但如果我们从打算机和软件中得到帮助,我们将会变得更强大。这为更多这样的促进科学发展的实验打开了大门。」
论文链接:https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.126.156002
参考内容:
https://phys.org/news/2021-05-lasers-levitation-machine-heat-resistant-materials.html