• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Física
    Aproveitando o poder da IA ​​e da computação de alto desempenho para estender a evolução para supercondutores

    Esta imagem mostra a evolução algorítmica de uma estrutura de defeito em um material supercondutor. Cada iteração serve como base para uma nova estrutura de defeito. Cores mais vermelhas indicam uma maior capacidade de transporte de corrente. Crédito:Laboratório Nacional de Argonne / Andreas Glatz

    Proprietários de garanhões puro-sangue criam cuidadosamente cavalos premiados ao longo de gerações para ganhar frações de segundo em corridas de milhões de dólares. Os cientistas de materiais pegaram uma página desse manual, recorrer ao poder da evolução e da seleção artificial para desenvolver supercondutores que podem transmitir corrente elétrica da forma mais eficiente possível.

    Talvez contra a intuição, a maioria dos supercondutores aplicados pode operar em campos magnéticos elevados porque contêm defeitos. O número, Tamanho, a forma e a posição dos defeitos dentro de um supercondutor trabalham juntas para aumentar a capacidade de transporte de corrente elétrica na presença de um campo magnético. Muitos defeitos, Contudo, pode levar ao bloqueio do caminho da corrente elétrica ou uma quebra do material supercondutor, portanto, os cientistas precisam ser seletivos na maneira como incorporam os defeitos a um material.

    Em um novo estudo do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE), os pesquisadores usaram o poder da inteligência artificial e de supercomputadores de alto desempenho para apresentar e avaliar o impacto de diferentes configurações de defeitos no desempenho de um supercondutor.

    Os pesquisadores desenvolveram um algoritmo de computador que tratava cada defeito como um gene biológico. Diferentes combinações de defeitos produziram supercondutores capazes de transportar diferentes quantidades de corrente. Uma vez que o algoritmo identificou um conjunto particularmente vantajoso de defeitos, ele reinicializou com aquele conjunto de defeitos como uma "semente, "de onde emergiriam novas combinações de defeitos.

    “Cada execução da simulação equivale à formação de uma nova geração de defeitos que o algoritmo busca otimizar, "disse Argonne distinto colega e cientista de materiais sênior Wai-Kwong Kwok, um autor do estudo. "Hora extra, as estruturas defeituosas tornam-se progressivamente refinadas, já que selecionamos intencionalmente estruturas com defeito que permitirão materiais com a maior corrente crítica. "

    A razão pela qual os defeitos formam uma parte tão essencial de um supercondutor está em sua capacidade de prender e ancorar vórtices magnéticos que se formam na presença de um campo magnético. Esses vórtices podem se mover livremente dentro de um material supercondutor puro quando uma corrente é aplicada. Quando eles fazem isso, eles começam a gerar uma resistência, negando o efeito supercondutor. Mantendo vórtices presos, enquanto ainda permite que a corrente viaje através do material, representa um santo graal para os cientistas que buscam encontrar maneiras de transmitir eletricidade sem perda em supercondutores aplicados.

    Para encontrar a combinação certa de defeitos para interromper o movimento dos vórtices, os pesquisadores inicializaram seu algoritmo com defeitos de forma e tamanho aleatórios. Embora os pesquisadores soubessem que isso estaria longe de ser a configuração ideal, deu ao modelo um conjunto de condições iniciais neutras para trabalhar. À medida que os pesquisadores percorriam gerações sucessivas do modelo, eles viram os defeitos iniciais se transformarem em uma forma colunar e, finalmente, em um arranjo periódico de defeitos planos.

    "Quando as pessoas pensam em evolução direcionada, eles podem pensar em pessoas que criam cães ou cavalos, "disse o cientista de materiais de Argonne, Andreas Glatz, o autor correspondente do estudo. "O nosso é um exemplo de design de materiais, onde o computador aprende com as gerações anteriores o melhor arranjo possível de defeitos. "

    Uma desvantagem potencial para o processo de seleção artificial de defeitos reside no fato de que certos padrões de defeitos podem se enraizar no modelo, levando a uma espécie de calcificação dos dados genéticos. "Em certo sentido, você pode pensar nisso como consanguinidade, "Kwok disse." Conservar a maioria das informações em nosso 'pool genético' de defeitos entre as gerações tem benefícios e limitações, pois não permite transformações drásticas em todo o sistema. Contudo, nossa 'evolução' digital pode ser repetida com diferentes sementes iniciais para evitar esses problemas. "

    Para executar seu modelo, os pesquisadores precisaram de instalações de computação de alto desempenho em Argonne e Oak Ridge National Laboratory. O Argonne Leadership Computing Facility e o Oak Ridge Leadership Computing Facility são ambos DOE Office of Science User Facilities.

    Um artigo baseado no estudo, "Evolução direcionada de paisagens de fixação para grandes correntes críticas supercondutoras, "apareceu na edição de 21 de maio do Proceedings of the National Academy of Sciences . Além de Kwok e Glatz, Ivan Sadovskyy de Argonne, Alexei Koshelev e Ulrich Welp também colaboraram.

    © Ciência https://pt.scienceaq.com