Quando qualcosa è più della semplice somma delle sue parti? Le leghe mostrano tale sinergia. L'acciaio, ad esempio, ha rivoluzionato l'industria prendendo il ferro, aggiungendo un po' di carbonio e rendendo una lega molto più resistente di uno dei suoi componenti.

Le simulazioni di supercomputer stanno aiutando gli scienziati a scoprire nuovi tipi di leghe, chiamate leghe ad alta entropia. I ricercatori hanno utilizzato Stampede2 supercomputer del Texas Advanced Computing Center (TACC) assegnato dall'Extreme Science and Engineering Discovery Environment (XSEDE).

La loro ricerca è stata pubblicata nell'aprile 2022 in Npj Computational Materials . L'approccio potrebbe essere applicato alla ricerca di nuovi materiali per batterie, catalizzatori e altro senza la necessità di metalli costosi come platino o cobalto.

"Le leghe ad alta entropia rappresentano un concetto di design completamente diverso. In questo caso cerchiamo di mescolare insieme più elementi principali", ha affermato l'autore senior dello studio Wei Chen, professore associato di scienza dei materiali e ingegneria presso l'Illinois Institute of Technology.

Il termine "alta entropia" in poche parole si riferisce alla diminuzione dell'energia ottenuta dalla miscelazione casuale di più elementi in frazioni atomiche simili, che possono stabilizzare nuovi e nuovi materiali risultanti dal "cocktail".

Per lo studio, Chen e colleghi hanno esaminato un ampio spazio di 14 elementi e le combinazioni che hanno prodotto leghe ad alta entropia. Hanno eseguito calcoli quantomeccanici ad alto rendimento, che hanno riscontrato la stabilità e le proprietà elastiche della lega, la capacità di riguadagnare la loro dimensione e forma dallo stress, di oltre 7.000 leghe ad alta entropia.

"Questo è a nostra conoscenza il più grande database delle proprietà elastiche delle leghe ad alta entropia", ha aggiunto Chen.

Hanno quindi preso questo grande set di dati e applicato un'architettura Deep Sets, che è un'architettura avanzata di apprendimento profondo che genera modelli predittivi per le proprietà delle nuove leghe ad alta entropia.

"Abbiamo sviluppato un nuovo modello di apprendimento automatico e previsto le proprietà di oltre 370.000 composizioni di leghe ad alta entropia", ha affermato Chen.

L'ultima parte del loro studio ha utilizzato il cosiddetto mining di regole di associazione, un metodo di apprendimento automatico basato su regole utilizzato per scoprire nuove e interessanti relazioni tra variabili, in questo caso come singoli o combinazioni di elementi influenzeranno le proprietà delle leghe ad alta entropia.

"Abbiamo derivato alcune regole di progettazione per lo sviluppo di leghe ad alta entropia. E abbiamo proposto diverse composizioni che gli sperimentatori possono provare a sintetizzare e realizzare", ha aggiunto Chen.

Le leghe ad alta entropia sono una nuova frontiera per gli scienziati dei materiali. Pertanto, ci sono pochissimi risultati sperimentali. Questa mancanza di dati ha quindi limitato la capacità degli scienziati di progettarne di nuovi.

"Ecco perché eseguiamo i calcoli ad alto rendimento, al fine di rilevare un numero molto elevato di spazi di leghe ad alta entropia e comprenderne la stabilità e le proprietà elastiche", ha affermato Chen.

In quest'ultimo lavoro ha fatto riferimento a più di 160.000 calcoli del primo principio.

"Non è praticamente possibile eseguire l'enorme numero di calcoli su singoli cluster di computer o personal computer", ha affermato Chen. "Ecco perché abbiamo bisogno di accedere a strutture di calcolo ad alte prestazioni, come quelle del TACC assegnate da XSEDE."

Chen è stato premiato con lo Stampede2 supercomputer al TACC tramite XSEDE, una collaborazione virtuale finanziata dalla National Science Foundation (NSF) che facilita l'accesso gratuito e personalizzato a risorse digitali avanzate, consulenza, formazione e tutoraggio.

Sfortunatamente, il codice EMTO-CPA utilizzato da Chen per i calcoli della teoria della funzione di densità meccanica quantistica non si prestava bene alla natura parallela del calcolo ad alte prestazioni, che in genere richiede calcoli di grandi dimensioni e li divide in calcoli più piccoli che vengono eseguiti contemporaneamente.

"Stampede2 e TACC tramite XSEDE ci hanno fornito un codice molto utile chiamato Launcher, che ci ha aiutato a raggruppare singoli piccoli lavori in uno o due grandi lavori, in modo da poter sfruttare appieno Stampede2 "nodi di elaborazione ad alte prestazioni", ha affermato Chen.

Lo script Launcher sviluppato da TACC ha consentito a Chen di comprimere circa 60 piccoli lavori in uno e quindi eseguirli contemporaneamente su un nodo ad alte prestazioni. Ciò ha aumentato la loro efficienza e velocità di calcolo.

"Ovviamente questa è un'applicazione di utilizzo unica per i supercomputer, ma è anche abbastanza comune per molti problemi di modellazione dei materiali", ha affermato Chen.

Per questo lavoro, Chen e colleghi hanno applicato un'architettura di rete di computer chiamata Deep Sets per modellare le proprietà delle leghe ad alta entropia.

L'architettura Deep Sets può utilizzare le proprietà elementari di singole leghe ad alta entropia e costruire modelli predittivi per prevedere le proprietà di un nuovo sistema di leghe.

"Poiché questa struttura è così efficiente, la maggior parte della formazione è stata svolta sul personal computer dei nostri studenti", ha affermato Chen. "Ma abbiamo usato TACC Stampede2 per fare previsioni utilizzando il modello."

Chen ha fornito l'esempio della lega Cantor ampiamente studiata, una miscela più o meno uguale di ferro, manganese, cobalto, cromo e nichel. La cosa interessante è che resiste a essere fragile a temperature molto basse.

Uno dei motivi è quello che Chen ha chiamato "effetto cocktail", che produce comportamenti sorprendenti rispetto agli elementi costitutivi quando vengono mescolati insieme in frazioni più o meno uguali come una lega ad alta entropia.

L'altro motivo è che quando si mescolano più elementi, si apre uno spazio progettuale quasi illimitato per trovare nuove strutture compositive e persino un materiale completamente nuovo per applicazioni che prima non erano possibili.

"Speriamo che più ricercatori utilizzino strumenti computazionali per aiutarli a restringere i materiali che vogliono sintetizzare", ha detto Chen. "Le leghe ad alta entropia possono essere prodotte da elementi facilmente reperibili e, si spera, possiamo sostituire i metalli preziosi o elementi come platino o cobalto che hanno problemi di catena di approvvigionamento. Questi sono in realtà materiali strategici e sostenibili per il futuro." + Esplora ulteriormente

Il team risolve le congetture scoprendo nuove leghe ad alta entropia