Herausgeber |. Green Luo
So wie sich der Duft der Blumen im Wind ausbreitet und einem ins Gesicht streicht, unterliegen auch die Atome und Moleküle im Material ihrer „Diffusion“.
Dispersion in Materialien bestimmt die Dynamik der Ausfällung, der Bildung neuer Phasen und der mikrostrukturellen Entwicklung und beeinflusst stark die mechanischen und physikalischen Eigenschaften. Die inhärente chemische Komplexität von Materialien mit komplexer Zusammensetzung stellt die Modellierung der Atomdiffusion und die Bildung chemisch geordneter Strukturen vor Herausforderungen.
In diesem Zusammenhang haben Forscher der University of California eine Methode der neuronalen Netzwerkdynamik (NNK) zur Vorhersage der Atomdiffusion und der daraus resultierenden mikrostrukturellen Entwicklung in Materialien mit komplexer Zusammensetzung vorgeschlagen.
Das Framework basiert auf einer effizienten Gitterstruktur und chemischen Charakterisierung, kombiniert mit künstlichen neuronalen Netzen, und ist in der Lage, alle pfadabhängigen Migrationsbarrieren und Einzelatom-Hopping genau vorherzusagen. Das skalierbare NNK-Framework bietet einen vielversprechenden neuen Weg zur Erforschung diffusionsbezogener Eigenschaften in einem riesigen kombinatorischen Raum, der außergewöhnliche Eigenschaften verbirgt.
Verwandte Forschung mit dem Titel „Neuronale Netzwerkkinetik zur Erforschung der Diffusionsvielfalt und chemischen Ordnung in kompositorisch komplexen Materialien“ wurde am 9. Mai in „Nature Communications“ veröffentlicht.
Übertragung von Atomen von einem Ort zum anderen Die Diffusion von Ionen steuert viele wichtige Prozesse und Verhaltensweisen, wie z. B. Ausfällung und Phasenkeimbildung.
In Metallen und Legierungen hängt der Diffusionsprozess mit Leerstellen und Punktdefekten zusammen, die Atomhüpfen im Kristallgitter vermitteln. Die Modellierung der Molekulardynamik (MD) auf der Grundlage von Kraftfeldern oder der Dichtefunktionaltheorie kann atomare Diffusionsmechanismen auf Nanosekunden-Zeitskalen untersuchen, mikrostrukturelle Veränderungen, die durch langsame Diffusionsdynamik verursacht werden, sind jedoch oft nicht erreichbar.
Die kMC-Simulationsmethode ist eine Technik zur Simulation der diffusionsvermittelten Strukturentwicklung. In kMC-Simulationen werden aufgrund des hohen Rechenaufwands der Übergangszustandssuche Schlüsselparameter normalerweise aus dem Kontinuumsmodell parametrisiert.
Das Aufkommen von Legierungen mit komplexer Zusammensetzung (CCAs), die oft als Legierungen mit hoher Entropie bezeichnet werden, hat zu vielen interessanten dynamischen Verhaltensweisen geführt, darunter chemische Nahordnung, Ausfällung, Segregation und Strahlungsdefektvernichtung, die noch nicht grundlegend untersucht wurden verstandenes Verständnis und endgültige Vorhersagen. Die chemische Komplexität der CCA bringt jedoch neue Herausforderungen für die Modellierung diffusionsvermittelter Prozesse mit sich.
Das Aufkommen maschineller Lernmethoden hat das Potenzial gezeigt, rechnerisch komplexe Probleme in der Materialwissenschaft zu lösen, die nichtlineare Wechselwirkungen und großräumige kombinatorische Räume beinhalten.
In Bezug auf die Leerstellendiffusion in Legierungen mit komplexer Zusammensetzung ist die Diffusionsenergiebarriere ΔE ein wichtiger Schlüsselparameter, bei der es sich um die Energiedifferenz zwischen dem Übergangszustand und dem anfänglichen Energieminimum handelt. Aufgrund der Zusammensetzungsschwankungen auf atomarer Ebene und des Vorhandenseins mehrerer Diffusionsrichtungen in CCA sind Modelle für maschinelles Lernen erforderlich, um die Vektoreigenschaften, insbesondere die potenziellen Barrieren im Zusammenhang mit dem Diffusionspfad, genau vorherzusagen.
In dieser Studie schlugen Forscher ein neuronales Netzwerkdynamikschema (NNK) vor, um die diffusionsinduzierte chemische und strukturelle Entwicklung in komplexen konzentrierten chemischen Umgebungen vorherzusagen und zu simulieren.
Abbildung a unten ist eine Gitterstruktur und eine chemische Darstellung, in der die anfängliche Atomkonfiguration mit Leerstellen in einer numerischen Matrix oder einem Neuronendiagramm kodiert ist. Die Zahlen (1, 2 und 3) repräsentieren den entsprechenden Atomtyp und 0 steht für eine freie Stelle. Diese vektorisierten Zahlen werden dann an das NNK-Modell übergeben und als Eingabeneuronen verwendet.
NNK besteht aus Modulen für künstliche neuronale Netze und Neuronendynamik. Das vorgestellte neuronale Netzwerk (mit mehr als zwei verborgenen Schichten) zielt darauf ab, nichtlineare Wechselwirkungen zwischen Eingangsneuronen (d. h. Atomen und Leerstellen) und Ausgangsdiffusionsenergiebarrieren zu lernen. Bemerkenswert ist, dass dieses Netzwerk nur freie Stellen und ihre benachbarten Neuronen als Eingabe verwendet, was zu einem niedrigen und konstanten Rechenaufwand ohne Einbußen bei der Genauigkeit führt.
Das Neuronendynamikmodul verwendet eine kinetische Monte-Carlo-Methode, um die Diffusionsdynamik unter Verwendung der verfügbaren potenziellen Barrieren zu entwickeln, die jedem Diffusionspfad zugeordnet sind. Mit einer einzigen Umwandlung atomarer Konfigurationen in Neuronengraphen können Leerstellen-Hopping und chemische Evolution durch Vertauschen zweier Ziffern des Neuronengraphen simuliert werden. Auf diese Weise können Millionen von Lückensprüngen effizient modelliert werden, wobei jede Sprungiteration die Aktionen von nur zwei Neuronen umfasst.
Unter Verwendung von NNK und bcc NbMoTa als Modellsystemen untersuchten Forscher die durch Diffusionskinetik vermittelte chemische Ordnung und B2-Phasenbildung und deckten die inhärente anomale Diffusion von CCA (Diffusionsmultiplizität) auf. .
Entdeckte die Existenz einer kritischen Temperatur, bei der die Ordnung von B2 (die B2-Elementarzelle hat eine einfache bcc-Struktur, bestehend aus zwei Substanzen, Ta und Mo, die an den Ecken oder in der Mitte des Würfels angeordnet sind) ein Maximum erreicht. Die Temperaturabhängigkeit der chemischen Ordnung steht in engem Zusammenhang mit der zugrunde liegenden Gittersprung-Stochastizität.
Bei hohen Temperaturen nahe dem Schmelzpunkt nähert sich der Diffusionssprung schließlich einem rein zufälligen Prozess, was einer geringen Neigung zur Ordnungsbildung entspricht. Bei niedrigen Temperaturen wird die Gitterdiffusion durch den Weg mit der niedrigsten Barriere dominiert, was sich als Richtungsspringen manifestiert und die Keimbildung chemisch geordneter Strukturen begrenzt. Bei kritischen Temperaturen im mittleren Bereich breiten sich zufällige und gerichtete Gittersprünge im gesamten System aus und weisen die höchste Diffusionsheterogenität (Multiplizität) auf.
Durch die Verfolgung einzelner B2-Cluster während des Glühprozesses wurde festgestellt, dass ihre Keimbildung und ihr Wachstum intermittierend und ungleichmäßig sind, begleitet von der Reduktion und Vernichtung kleiner Cluster. Dieses charakteristische Merkmal des kinetischen Wachstums der B2-Struktur wurde durch eine auf virtueller Thermodynamik basierende Modellierung unter Verwendung eines zufälligen Atomtypenaustauschs nicht erfasst, die ein gleichmäßigeres Wachstum zeigte.
Diese Ergebnisse verdeutlichen die komplexen und zahlreichen kinetischen Wege von CCA hin zu einem stabilen Zustand, in dem viele Prozesse wie Keimbildung, Vernichtung, Wachstum und Neuanordnung geordneter Strukturen interagieren und koordiniert werden.
Neuronale Netze, die auf Dutzenden von Komponenten trainiert wurden, zeigen eine hohe Leistung bei unsichtbaren Komponenten und offenbaren den gesamten ternären Raum von Nb-Mo-Ta. Da der Gestaltungsspielraum für Kompositionen nahezu unbegrenzt ist, eröffnen kompositorisch komplexe Materialien, die durch die Mischung mehrerer Elemente entstehen, einen neuen Bereich, den es zu erkunden gilt.
Durch die direkte Verknüpfung mehrdimensionaler Kompositionen mit Diffusionsbarrierespektren weist NNK einen vielversprechenden Weg zur Erforschung des riesigen Kompositionsraums von CCA, in dem außergewöhnliche dynamische Eigenschaften verborgen sind.
Das obige ist der detaillierte Inhalt vonUC erforscht die Atomdiffusion in Verbundwerkstoffen und entwickelt eine Methode zur Dynamik neuronaler Netzwerke. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
