Wann ist etwas mehr als nur die Summe seiner Teile? Legierungen zeigen solche Synergien. Stahl zum Beispiel revolutionierte die Industrie, indem er Eisen nahm, etwas Kohlenstoff hinzufügte und eine Legierung machte, die viel stärker war als jede seiner Komponenten.
Supercomputer-Simulationen helfen Wissenschaftlern, neue Arten von Legierungen zu entdecken, sogenannte Hochentropie-Legierungen. Forscher haben die verwendet Stampede2 Supercomputer des Texas Advanced Computing Center (TACC), der von der Extreme Science and Engineering Discovery Environment (XSEDE) bereitgestellt wird.
Ihre Forschung wurde im April 2022 in veröffentlicht Npj Computermaterialien. Der Ansatz könnte auf die Suche nach neuen Materialien für Batterien, Katalysatoren und mehr angewendet werden, ohne dass teure Metalle wie Platin oder Kobalt benötigt werden.
„Legierungen mit hoher Entropie stellen ein völlig anderes Designkonzept dar. In diesem Fall versuchen wir, mehrere Hauptelemente miteinander zu mischen“, sagte der leitende Autor der Studie, Wei Chen, außerordentlicher Professor für Materialwissenschaften und -technik am Illinois Institute of Technology.
Der Begriff „hohe Entropie“ bezieht sich kurz gesagt auf die Verringerung der Energie, die durch zufälliges Mischen mehrerer Elemente bei ähnlichen Atomfraktionen gewonnen wird, was neue und neuartige Materialien stabilisieren kann, die aus dem „Cocktail“ resultieren.
Für die Studie untersuchten Chen und Kollegen einen großen Raum von 14 Elementen und die Kombinationen, die Legierungen mit hoher Entropie ergaben. Sie führten quantenmechanische Hochdurchsatz-Berechnungen durch, die die Stabilität und die elastischen Eigenschaften der Legierung, die Fähigkeit, ihre Größe und Form durch Belastung wiederzuerlangen, von mehr als 7.000 Legierungen mit hoher Entropie ermittelten.
„Dies ist unseres Wissens nach die größte Datenbank der elastischen Eigenschaften von Legierungen mit hoher Entropie“, fügte Chen hinzu.
Dann nahmen sie diesen großen Datensatz und wendeten a an Tiefe Sätze Architektur, die eine fortschrittliche Deep-Learning-Architektur ist, die Vorhersagemodelle für die Eigenschaften neuer Legierungen mit hoher Entropie generiert.
„Wir haben ein neues maschinelles Lernmodell entwickelt und die Eigenschaften von mehr als 370.000 Legierungszusammensetzungen mit hoher Entropie vorhergesagt“, sagte Chen.
Der letzte Teil ihrer Studie nutzte das sogenannte Association Rule Mining, eine regelbasierte maschinelle Lernmethode, mit der neue und interessante Beziehungen zwischen Variablen entdeckt werden, in diesem Fall, wie einzelne Elemente oder Kombinationen von Elementen die Eigenschaften von Legierungen mit hoher Entropie beeinflussen.
„Wir haben einige Designregeln für die Entwicklung von Legierungen mit hoher Entropie abgeleitet. Und wir haben mehrere Zusammensetzungen vorgeschlagen, die Experimentatoren versuchen können, zu synthetisieren und herzustellen“, fügte Chen hinzu.
Legierungen mit hoher Entropie sind eine neue Grenze für Materialwissenschaftler. Daher gibt es nur sehr wenige experimentelle Ergebnisse. Dieser Mangel an Daten hat daher die Fähigkeit der Wissenschaftler eingeschränkt, neue zu entwerfen.
„Deshalb führen wir die Hochdurchsatz-Berechnungen durch, um eine sehr große Anzahl von Legierungsräumen mit hoher Entropie zu untersuchen und ihre Stabilität und elastischen Eigenschaften zu verstehen“, sagte Chen.
Er verwies in dieser neuesten Arbeit auf mehr als 160.000 First-Principle-Berechnungen.
„Die schiere Anzahl an Berechnungen ist auf einzelnen Computerclustern oder Personalcomputern im Grunde nicht möglich“, sagte Chen. „Deshalb brauchen wir Zugang zu Hochleistungs-Computing-Einrichtungen, wie denen bei TACC, die von XSEDE bereitgestellt werden.“
Chen wurde Zeit auf der zuerkannt Stampede2 Supercomputer bei TACC durch XSEDE, eine von der National Science Foundation (NSF) finanzierte virtuelle Zusammenarbeit, die den kostenlosen, kundenspezifischen Zugang zu fortschrittlichen digitalen Ressourcen, Beratung, Schulung und Betreuung erleichtert.
Leider ist die EMTO-CPA Code Chen, der für die Berechnungen der quantenmechanischen Dichtefunktionstheorie verwendet wurde, eignete sich nicht gut für die parallele Natur des Hochleistungsrechnens, das normalerweise große Berechnungen nimmt und sie in kleinere unterteilt, die gleichzeitig ausgeführt werden.
„Stampede2 und TACC durch XSEDE stellten uns einen sehr nützlichen Code namens Launcher zur Verfügung, der uns half, einzelne kleine Jobs in ein oder zwei große Jobs zu packen, damit wir sie voll ausnutzen können Stampede2’s High Performance Computing Nodes“, sagte Chen.
Das Startprogramm Das bei TACC entwickelte Skript ermöglichte es Chen, etwa 60 kleine Jobs in einen zu packen und sie dann gleichzeitig auf einem Hochleistungsknoten auszuführen. Das erhöhte ihre Recheneffizienz und -geschwindigkeit.
„Offensichtlich ist dies eine einzigartige Anwendung für Supercomputer, aber sie ist auch bei vielen Materialmodellierungsproblemen weit verbreitet“, sagte Chen.
Für diese Arbeit wandten Chen und Kollegen eine Computernetzwerkarchitektur namens Deep Sets an, um die Eigenschaften von Legierungen mit hoher Entropie zu modellieren.
Die Deep-Sets-Architektur kann die elementaren Eigenschaften einzelner Legierungen mit hoher Entropie nutzen und Vorhersagemodelle erstellen, um die Eigenschaften eines neuen Legierungssystems vorherzusagen.
„Weil dieses Framework so effizient ist, wurde der größte Teil des Trainings auf dem PC unserer Schüler durchgeführt“, sagte Chen. „Aber wir haben TACC verwendet Stampede2 anhand des Modells Vorhersagen zu treffen.“
Chen nannte das Beispiel der weithin untersuchten Cantor-Legierung – eine ungefähr gleiche Mischung aus Eisen, Mangan, Kobalt, Chrom und Nickel. Das Interessante daran ist, dass es bei sehr niedrigen Temperaturen nicht spröde wird.
Ein Grund dafür ist der von Chen als „Cocktail-Effekt“ bezeichnete Effekt, der überraschende Verhaltensweisen im Vergleich zu den Bestandteilen hervorruft, wenn sie zu ungefähr gleichen Anteilen als Legierung mit hoher Entropie gemischt werden.
Der andere Grund ist, dass durch das Mischen mehrerer Elemente ein nahezu unbegrenzter Gestaltungsraum eröffnet wird, um neue Kompositionsstrukturen und sogar ein völlig neues Material für Anwendungen zu finden, die zuvor nicht möglich waren.
„Hoffentlich werden mehr Forscher Computerwerkzeuge verwenden, um ihnen dabei zu helfen, die Materialien einzugrenzen, die sie synthetisieren möchten“, sagte Chen Platin oder Kobalt, die Lieferkettenprobleme haben. Das sind eigentlich strategische und nachhaltige Materialien für die Zukunft.“
Jie Zhang et al., Kompositionsdesign von Legierungen mit hoher Entropie mit Deep-Sets-Learning, npj Computermaterialien (2022). DOI: 10.1038/s41524-022-00779-7