Pesquisadores da Universidade de Illinois Urbana-Champaign reformularam a difusão em ligas multicomponentes como uma soma de contribuições individuais, chamadas "kinosons". Usando o aprendizado de máquina para calcular a distribuição estatística das contribuições individuais, eles foram capazes de modelar a liga e calcular suas ordens de magnitude de difusividade com mais eficiência do que calcular trajetórias inteiras.



Este trabalho foi publicado na revista Physical Review Letters .

"Encontramos uma maneira muito mais eficiente de calcular a difusão em sólidos e, ao mesmo tempo, aprendemos mais sobre os processos fundamentais de difusão nesse mesmo sistema", diz o professor de ciência e engenharia de materiais Dallas Trinkle, que liderou este trabalho, junto com o estudante de pós-graduação Soham Chattopadhyay.

A difusão em sólidos é o processo pelo qual os átomos se movem por um material. A produção de aço, a movimentação de íons através de uma bateria e a dopagem de dispositivos semicondutores são coisas controladas por difusão.

Aqui, a equipe modelou a difusão em ligas multicomponentes, que são metais compostos por cinco elementos diferentes – manganês, cobalto, cromo, ferro e níquel nesta pesquisa – em quantidades iguais. Esses tipos de ligas são interessantes porque uma maneira de fazer materiais fortes é adicionar diferentes elementos, como adicionar carbono e ferro para fazer aço.

Ligas multicomponentes possuem propriedades únicas, como bom comportamento mecânico e estabilidade em altas temperaturas, por isso é importante entender como os átomos se difundem nesses materiais.

Para se ter uma boa visão da difusão, são necessárias longas escalas de tempo, uma vez que os átomos se movem aleatoriamente e, com o tempo, seu deslocamento em relação ao ponto inicial aumentará. “Se alguém tenta simular a difusão, é uma dor porque é preciso executar a simulação por muito tempo para obter a imagem completa”, diz Trinkle.

"Isso realmente limita muitas maneiras pelas quais podemos estudar a difusão. Métodos mais precisos para calcular taxas de transição muitas vezes não podem ser usados ​​porque você não seria capaz de executar etapas suficientes de uma simulação para obter a trajetória de longo prazo e obter uma valor razoável de difusão."

Um átomo pode saltar para a esquerda, mas depois pode saltar de volta para a direita. Nesse caso, o átomo não se moveu para lugar nenhum. Agora, digamos que ele salta para a esquerda, então 1.000 outras coisas acontecem e então ele salta de volta para a direita. Esse é o mesmo efeito.

Trinkle diz:"Chamamos isso de correlação porque em um ponto o átomo deu um salto e depois desfez esse salto. É isso que torna a difusão complicada. Quando olhamos como o aprendizado de máquina está resolvendo o problema, o que ele realmente está fazendo é mudar o problema em um onde não há nenhum desses saltos correlacionados."

Portanto, qualquer salto que um átomo dá contribui para a difusão e o problema fica muito mais fácil de resolver. “Chamamos esses saltos de kinosons, para pequenos movimentos”, diz Trinkle.

"Mostramos que você pode extrair a distribuição deles, a probabilidade de ver um kinoson de uma certa magnitude, e somá-los todos para obter a verdadeira difusividade. Além disso, você pode dizer como diferentes elementos estão se difundindo em um sólido."

Outra vantagem da modelagem de difusão usando kinosons e aprendizado de máquina é que ela é significativamente mais rápida do que calcular trajetórias inteiras de longa escala. Trinkle diz que com este método, as simulações podem ser feitas 100 vezes mais rápido do que seria necessário com os métodos normais.

“Acho que este método vai realmente mudar a forma como pensamos sobre a difusão”, diz ele. "É uma forma diferente de encarar o problema e espero que nos próximos 10 anos, esta seja a forma padrão de encarar a difusão. Para mim, uma das coisas interessantes não é apenas que funciona mais rápido, mas você também saiba mais sobre o que está acontecendo no sistema."