使用kinosons和机器学习模拟扩散

发布时间：2024-06-17 15:44:56 栏目：生活

导读 伊利诺伊大学香槟分校的研究人员将多组分合金中的扩散重新定义为各个贡献的总和，称为kinosons。他们使用机器学习来计算各个贡献的统计分布

伊利诺伊大学香槟分校的研究人员将多组分合金中的扩散重新定义为各个贡献的总和，称为“kinosons”。他们使用机器学习来计算各个贡献的统计分布，能够对合金进行建模，并比计算整个轨迹更有效地计算其扩散率数量级。这项 研究 最近发表在《物理评论快报》上。



领导这项工作的材料科学与工程教授Dallas Trinkle和研究生 Soham Chattopadhyay 表示：“我们找到了一种更有效的方法来计算固体中的扩散，同时，我们了解了更多关于同一系统中扩散的基本过程。”

固体中的扩散是原子在材料中移动的过程。钢铁的生产、离子在电池中的移动以及半导体器件的掺杂都是由扩散控制的。

在这里，该团队模拟了多组分合金中的扩散，多组分合金是由五种不同元素组成的金属——本研究中的元素是锰、钴、铬、铁和镍——含量相等。这类合金很有趣，因为制造坚固材料的一种方法是将不同的元素加在一起，比如将碳和铁加在一起制成钢。多组分合金具有独特的性能，例如良好的机械性能和高温稳定性，因此了解原子在这些材料中的扩散方式非常重要。

为了更好地观察扩散，需要很长的时间尺度，因为原子会随机移动，随着时间的推移，它们与起点的位移会增加。“如果有人试图模拟扩散，那会很麻烦，因为你必须运行很长时间才能获得完整的图像，”特林克尔说。“这确实限制了我们研究扩散的很多方式。计算跃迁速率的更精确的方法通常无法使用，因为你无法进行足够多的模拟步骤来获得长期轨迹并获得合理的扩散值。”

一个原子可能会跳到左边，但随后又可能会跳回右边。在这种情况下，原子并没有移动。现在，假设它跳到左边，然后又发生了 1000 件其他事情，然后它又跳回右边。这是同样的效果。特林克尔说：“我们称之为相关性，因为在某一时刻，原子进行了一次跳跃，然后又取消了那次跳跃。这就是扩散复杂的原因。当我们研究机器学习如何解决问题时，它真正做的是将问题转变为一个没有任何相关跳跃的问题。”

因此，原子的任何跳跃都有助于扩散，问题变得容易解决得多。“我们将这些跳跃称为动子，即微小的移动，”特林克尔说。“我们已经证明，你可以提取这些跳跃的分布，看到一定量级的动子概率，然后将它们全部加起来得到真正的扩散率。最重要的是，你可以知道不同元素在固体中的扩散情况。”

使用激波和机器学习来建模扩散的另一个优点是，它比计算长时间尺度的整个轨迹要快得多。特林克尔说，使用这种方法，模拟速度可以比使用常规方法快 100 倍。

“我认为这种方法确实会改变我们对扩散的看法，”他说。“这是一种看待问题的不同方式，我希望在未来 10 年内，这将成为看待扩散的标准方式。对我来说，令人兴奋的事情之一不仅是它工作得更快，而且你还可以更多地了解系统中发生的事情。”