• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Física
    O método de aprendizado de máquina prevê com precisão os defeitos metálicos

    Predições de tipo de defeito dominante do modelo r-MART para intermetálicos do tipo 946 B2. As cores indicam a relação entre a previsão e os cálculos, conforme mostrado na legenda. Crédito:Bharat Medasani, Berkeley Lab / PNNL

    Pela primeira vez, pesquisadores do Laboratório Nacional Lawrence Berkeley (Berkeley Lab) criaram e treinaram algoritmos de aprendizado de máquina para prever o comportamento de defeitos em certos compostos intermetálicos com alta precisão. Este método irá acelerar a pesquisa de novas ligas avançadas e novos materiais leves para aplicações que vão do setor automotivo ao aeroespacial e muito mais.

    Seus resultados foram publicados na edição de dezembro de 2016 da Nature Computational Materials .

    Os materiais nunca são quimicamente puros e estruturalmente perfeitos. Quase sempre contêm defeitos, que desempenham um papel importante em ditar propriedades. Esses defeitos podem aparecer como vagas, que são essencialmente "buracos" na estrutura cristalina da substância, ou defeitos anti-site, que são essencialmente átomos colocados no local de cristal errado. A compreensão de tais defeitos pontuais é crucial para os cientistas que projetam materiais porque eles podem ter um efeito dramático na estabilidade e resistência estrutural de longo prazo.

    Tradicionalmente, pesquisadores usaram um método de mecânica quântica computacional conhecido como cálculos funcionais de densidade para prever quais tipos de defeitos podem ser formados em uma determinada estrutura e como eles afetam as propriedades do material. Embora eficaz, essa abordagem é muito cara em termos computacionais para executar para defeitos pontuais que limitam o escopo de tais investigações.

    "Cálculos funcionais de densidade funcionam bem se você estiver modelando uma pequena unidade, mas se você quiser tornar sua célula de modelagem maior, o poder computacional necessário para fazer isso aumenta substancialmente, "diz Bharat Medasani, um ex-pós-doutorado do Berkeley Lab e autor principal do artigo da npj. "E porque é computacionalmente caro modelar defeitos em um único material, fazer esse tipo de modelagem de força bruta para dezenas de milhares de materiais não é viável. "

    Para superar esses desafios de computação, Medasani e seus colegas desenvolveram e treinaram algoritmos de aprendizado de máquina para prever defeitos pontuais em compostos intermetálicos, com foco na estrutura de cristal B2 amplamente observada. Inicialmente, eles selecionaram uma amostra de 100 desses compostos do banco de dados de projetos de materiais e executaram cálculos funcionais de densidade em supercomputadores no National Energy Research Scientific Computing Center (NERSC), um DOE Office of Science User Facility no Berkeley Lab, para identificar seus defeitos.

    Porque eles tinham uma pequena amostra de dados para trabalhar, Medasani e sua equipe usaram uma abordagem florestal chamada de aumento de gradiente para desenvolver seu método de aprendizado de máquina com alta precisão. Nesta abordagem, modelos adicionais de aprendizado de máquina foram construídos sucessivamente e combinados com modelos anteriores para minimizar a diferença entre as previsões dos modelos e os resultados dos cálculos funcionais de densidade. Os pesquisadores repetiram o processo até atingirem um alto nível de precisão em suas previsões.

    "Este trabalho é essencialmente uma prova de conceito. Mostra que podemos executar cálculos funcionais de densidade para algumas centenas de materiais, em seguida, treine algoritmos de aprendizado de máquina para prever com precisão defeitos pontuais para um grupo muito maior de materiais, "diz Medasani, que agora é pesquisador de pós-doutorado no Pacific Northwest National Laboratory.

    "O benefício deste trabalho é que agora temos uma abordagem de aprendizado de máquina de baixo custo computacional que pode prever defeitos pontuais em novos materiais intermetálicos com rapidez e precisão", disse Andrew Canning, um Berkeley Lab Computational Scientist e co-autor do artigo npj. "Não precisamos mais fazer cálculos de primeiro princípio muito caros para identificar as propriedades dos defeitos de cada novo composto metálico."

    "Esta ferramenta nos permite prever defeitos metálicos de forma mais rápida e robusta, o que, por sua vez, acelera o design de materiais, "diz Kristin Persson, um cientista do Berkeley Lab e diretor do projeto de materiais, uma iniciativa que visa reduzir drasticamente o tempo necessário para inventar novos materiais, fornecendo acesso baseado na web aberto a informações computadas em materiais conhecidos e previstos. Como uma extensão deste trabalho, um kit de ferramentas Python de código aberto para modelagem de defeitos pontuais em semicondutores e isoladores (PyCDT) foi desenvolvido.

    © Ciência https://pt.scienceaq.com