p Cientistas de Argonne em várias disciplinas combinaram forças para criar um novo processo para testar e prever os efeitos de altas temperaturas em óxidos refratários. p O ferro fundido derrete em torno de 1, 200 graus Celsius. O aço inoxidável derrete em cerca de 1, 520 graus Celsius. Se você quiser transformar esses materiais em objetos do dia a dia, como a frigideira em sua cozinha ou os instrumentos cirúrgicos usados ​​por médicos, é lógico que você precisaria criar fornos e moldes com algo que pudesse resistir até mesmo a essas temperaturas extremas.

p É aí que entram os óxidos refratários. Esses materiais cerâmicos podem suportar o calor excessivo e manter sua forma, o que os torna úteis para todos os tipos de coisas, de fornos e reatores nucleares às telhas de proteção contra calor em naves espaciais. Mas, considerando os ambientes frequentemente perigosos em que esses materiais são usados, os cientistas querem entender o máximo que puderem sobre o que acontece com eles em altas temperaturas, antes que os componentes construídos com esses materiais encontrem essas temperaturas no mundo real.

p "Não estou dizendo que os humanos não são ótimos, mas se conseguirmos ajuda de computadores e software, podemos ser maiores. Isso abre a porta para mais experimentos como este que avançam a ciência. "- Marius Stan, líder do programa, Design Inteligente de Materiais, Argonne

p Uma equipe de pesquisadores do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) descobriu uma maneira de fazer exatamente isso. Usando técnicas experimentais inovadoras e uma nova abordagem para simulações de computador, o grupo desenvolveu um método não apenas para obter dados precisos sobre as mudanças estruturais que esses materiais sofrem perto de seus pontos de fusão, mas prevendo com mais precisão outras mudanças que não podem ser medidas atualmente.

p O trabalho da equipe foi publicado em Cartas de revisão física .

p A semente desta colaboração foi plantada por Marius Stan, líder do programa de Design de Materiais Inteligentes na divisão de Materiais Aplicados da Argonne. O grupo de Stan desenvolveu muitos modelos e simulações sobre os pontos de fusão de óxidos refratários, mas ele queria testá-los.

p "Está enraizado no desejo de ver se nossos modelos matemáticos e simulações representam a realidade ou não, "Stan disse." Mas evoluiu para um estudo de aprendizado de máquina. O que acho mais empolgante é que agora existe uma maneira de prevermos as interações entre os átomos automaticamente. "

p Essa inovação começou lançando um script familiar, de acordo com Ganesh Sivaraman, autor principal do artigo e cientista computacional assistente da divisão de Ciência de Dados e Aprendizado da Argonne. Ele executou este trabalho enquanto era um pós-doutorado nomeado no Argonne Leadership Computing Facility (ALCF), um DOE Office of Science User Facility.

p Embora a maioria dos experimentos comece com um modelo teórico - basicamente, um palpite informado e educado sobre o que acontecerá em condições da vida real - a equipe queria começar este com dados experimentais e projetar seus modelos em torno disso.

p Sivaraman conta a história de um famoso matemático alemão que queria aprender a nadar, então ele pegou um livro e leu sobre ele. Criar teorias sem considerar os dados experimentais, Sivaraman disse, é como ler um livro sobre natação sem nunca entrar na piscina. E a equipe de Argonne queria pular no fundo do poço.

p "É mais preciso construir um modelo em torno de dados experimentais, "Sivaraman disse." Isso aproxima o modelo da realidade. "

p Para obter esses dados, os cientistas computacionais se associaram ao físico Chris Benmore e ao físico assistente Leighanne Gallington, da Divisão de Ciência de Raios-X de Argonne. Benmore e Gallington trabalham na Advanced Photon Source (APS), um DOE Office of Science User Facility em Argonne, que gera feixes de raios-X muito brilhantes para iluminar as estruturas dos materiais, entre outras coisas. A linha de luz que eles usaram para este experimento lhes permite examinar a estrutura local e de longo alcance dos materiais em condições extremas, como altas temperaturas.

p Claro, aquecendo óxidos refratários - neste caso, dióxido de háfnio, que derrete por volta de 2, 870 graus Celsius - vem com suas próprias complicações. Normalmente, a amostra estaria em um recipiente, mas não há nenhum disponível que suporte essas temperaturas e ainda permita que os raios X passem por eles. E você não pode nem mesmo colocar a amostra em uma mesa, porque a mesa vai derreter antes da amostra.

p A solução é chamada de levitação aerodinâmica e envolve cientistas usando gás para suspender uma pequena amostra esférica (2-3 mm de diâmetro) de material cerca de um milímetro no ar.

p “Temos um bico conectado a um fluxo de gás inerte, e ao suspender a amostra, um laser de 400 watts aquece o material de cima, - Gallington disse. - Você precisa mexer no fluxo de gás para levitar de maneira estável. Você não quer muito baixo, porque a amostra vai tocar no bico, e pode derreter. "

p Uma vez que os dados foram coletados e os cientistas da linha de luz tiveram uma boa compreensão do que acontece quando o óxido de háfnio derrete, os cientistas da computação pegaram a bola e correram com ela. Sivaraman alimentou os dados em dois conjuntos de algoritmos de aprendizado de máquina, um deles que entende a teoria e pode fazer previsões, e outro - um algoritmo de aprendizado ativo - que atua como um assistente de ensino, apenas dando ao primeiro os dados mais interessantes para trabalhar.

p "O aprendizado ativo ajuda outros tipos de aprendizado de máquina a aprender com menos dados, "Sivaraman explicou." Digamos que você queira caminhar de sua casa até o mercado. Pode haver muitas maneiras de chegar lá, mas você só precisa saber o caminho mais curto. O aprendizado ativo apontará o caminho mais curto e filtrará os outros. "

p Os cálculos foram executados em supercomputadores no ALCF e no Laboratory Computing Resource Center em Argonne. O que a equipe acabou com é um modelo gerado por computador com base em dados da vida real, um que lhes permite prever coisas que os experimentalistas não capturaram - ou não puderam - capturar.

p "Temos o que é chamado de potencial multifásico, e pode prever muitas coisas, "Benmore disse." Agora podemos ir em frente e dar-lhe outros parâmetros, como o quão bem ele mantém sua forma em altas temperaturas, que não medimos. Podemos extrapolar o que aconteceria se formos além da temperatura que podemos atingir. "

p "O modelo é tão bom quanto os dados que você fornece, e quanto mais você dá, melhor fica, "Benmore acrescentou." Damos o máximo de informações que podemos, e o modelo fica melhor. "

p Sivaraman descreve este trabalho como uma prova de conceito, um que pode alimentar novos experimentos. É um bom exemplo, ele disse, de colaboração entre diferentes partes de Argonne, e de pesquisas que não poderiam ser feitas sem os recursos de um laboratório nacional.

p “Vamos repetir esta experiência em outros materiais, "Sivaraman disse." Nossos colegas da APS têm a infraestrutura para estudar como esses materiais derretem em condições extremas, e estamos trabalhando com cientistas da computação para construir o software e a infraestrutura de streaming para processar rapidamente esses conjuntos de dados em escala. Podemos incorporar a aprendizagem ativa na estrutura e ensinar modelos para processar de forma mais eficiente o fluxo de dados usando supercomputadores ALCF. "

p Para Stan, a prova de conceito é aquela que pode substituir o tédio necessário de pessoas que fazem esses cálculos precisos. Ele viu essa tecnologia evoluir durante sua carreira, e agora o que antes levava meses, leva apenas alguns dias.

p "Não estou dizendo que os humanos não são ótimos, "ele riu, "mas se conseguirmos ajuda de computadores e software, podemos ser maiores. Isso abre a porta para mais experimentos como este que avançam a ciência. "