研究耐火氧化物熔点时的空气动力悬浮过程图解。在x射线检查其结构之前,一个小的材料珠被气体浮起来,并被头顶上的激光加热。图片:Ganesh Sivaraman/Argonne国家实验室。
研究耐火氧化物熔点时的空气动力悬浮过程图解。在x射线检查其结构之前,一个小的材料珠被气体浮起来,并被头顶上的激光加热。图片:Ganesh Sivaraman/Argonne国家实验室。

铸铁在1200°C左右熔化,而不锈钢熔化在1520°C左右。如果您想将这些材料塑造成日常物体,如厨房中的煎锅或医生使用的外科手术工具,它可能会推出您需要在可以承受甚至这些极端温度的情况下使用炉子和模具。

这就是耐火氧化物进入的地方。这些陶瓷材料可以坚持下去的热量并保持它们的形状,这使得它们可用于各种各样的东西,从窑和核反应堆到航天器上的隔热瓷砖。但考虑到使用这些材料的经常危险环境,科学家们希望尽可能多地理解,因为在耐火氧化物中建造的组件在现实世界中遇到这些温度的组件之前,他们可以在高温下对其发生在高温下。

来自美国能源部(DOE)的argonne国家实验室的各种研究人员现在已经提出了这样做的方式。利用创新的实验技术和计算机模拟的新方法,该组设计了一种方法,不仅可以获得关于结构变化的精确数据这些材料在其熔点附近进行,而且更准确地预测目前无法测量的其他变化。研究人员在纸上报告他们的工作物理评论信

本协作的种子由Argonne应用材料部门智能材料设计计划领导的Marius Stan种植。Stan的集团在耐火氧化物的熔点开发了大量的模型和模拟,但他想测试它们。

“它植根于希望看看我们的数学模型和模拟是否代表现实,”斯坦说。“但它已经进化到了对机器学习的研究。我发现最令人兴奋的是,现在有一种方法可以让我们自动预测原子之间的相互作用。”

该论文的第一作者、阿贡数据科学与学习部门的助理计算科学家Ganesh Sivaraman表示,这一进步始于熟悉的脚本。Sivaraman在阿贡领导计算设施(ALCF)——能源部科学用户设施办公室担任博士后时进行了这项工作。

虽然大多数实验开始于理论模型 - 基本上,在现实生活条件下会发生通知和受过良好的猜测 - 团队希望使用实验数据启动这一点并在此处设计其模型。

Sivaraman讲述了一个关于一个着名的德国数学家的故事,他们想学习如何游泳,所以他拿起一本书并阅读了它。Sivaraman表示,在不考虑实验数据的情况下,创造理论就像在没有进入游泳池的情况下读一本关于游泳的书。Argonne团队想在深渊跳进去。

“围绕实验数据建立模型更准确,”Sivaraman说。“它将模型更接近现实。”

为了获得该数据,计算科学家们与物理学家Chris Benmore和Argonne的X射线科学部门助理物理学家Leighanne Gallington合作。Benmore和Gallington在高级光子源(APS),在Argonne的Doe Scient Office的Coe Office,它产生非常明亮的X射线束,以照亮材料的结构等。它们用于该实验的光束线允许它们在极端条件下检查材料的局部和远程结构,例如高温。

当然,加热耐火氧化物 - 在这种情况下,二氧化铪,其在约2870℃左右熔化 - 具有自身的并发症。通常,样品将在容器中,但没有可用的,可以承受这些温度,并且仍然允许X射线通过它。你甚至无法将样品放在桌子上,因为表将在样本之前融化。

该解决方案称为空气动力学悬浮,涉及使用气体悬浮在空气中约为毫米的小球形材料(直径为2-3mm)的小球形样品。“我们有一个连接到惰性气体流动的喷嘴,并且在悬挂样品时,400瓦激光从上方加热材料,”Gallington解释说。“你需要用气流修补,使其稳定地浮动。你不希望它太低,因为样品将触摸喷嘴,并可能融化。”

一旦采取了数据,波束线科学家们对氧化铪融化时会良好了解,计算机科学家们拿了球并用它跑。Sivaraman将数据提交到两组机器学习算法:一个了解理论并可以做出预测,另一个 - 一种动作作为教学助理的主动学习算法,只给出第一个最有趣的数据和。

“主动学习帮助其他类型的机器学习,学习更少的数据,”Sivaraman解释说。“假设你想从你的房子走到市场上。可能有很多方法可以到达那里,但你只需要知道最短的道路。积极的学习将指出最短的方式并过滤其他人。”

计算在Alcf和Argonne的实验室计算资源中心的超级计算机上运行。团队最终的是基于现实生活数据的计算机生成的模型,一个允许他们预测实验主义者没有 - 或无法捕获的东西。

“我们有什么所谓的多相潜力,可以预测很多东西,”恩莫尔说。“我们现在可以继续前进,给你其他参数,例如它在高温下保持其形状,我们没有衡量。我们可以推断我们超越我们可以达到的温度会发生什么。”

“该模型只是你给它的数据,你给它的越多,它就会越好,”本机补充道。“我们提供尽可能多的信息,而模型变得更好。”

Sivaraman将这项工作描述为一个概念的证明,可以反馈到进一步的实验中。他说,这是一个很好的例子,说明了阿贡不同地区之间的合作,以及没有国家实验室资源就无法完成的研究。

“我们将在其他材料上重复这个实验,”Sivaraman说。“我们的APS同事们有基础设施来研究这些材料如何在极端条件下融化,我们正在与计算机科学家合作,建立软件和流媒体基础设施,以便在规模上快速处理这些数据集。我们可以将主动学习纳入框架和教学模型。使用ALCF超级计算机更有效地处理数据流。“

对于斯坦来说,这种概念证明是可以取代这些精确计算的必要促进人民的必要核心。他在职业生涯中观看了这项技术,现在曾经花了几个月只需要几天时间。

“我并不是说人类不好,”他笑了,“但如果我们从计算机和软件上获得帮助,我们就可以了解更多的实验,这是如此提前科学。”

这个故事从材料改编氩气国家实验室,编辑改变今天材料制作。本文中表达的观点不一定代表elsevier。链接到原始来源