• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Fisica
    Simulazione della diffusione utilizzando kinosoni e apprendimento automatico
    Una serie di "stati" (punti) collegati con "transizioni" (linee) in un sistema complesso. I punti più grandi corrispondono agli stati in cui viene trascorso più tempo durante la simulazione, le linee più spesse per transizioni più veloci. Osservare lunghe traiettorie con molti salti richiede un grande sforzo computazionale; il modello di machine learning converte questo sistema (a sinistra) in uno equivalente che ha lo stesso comportamento di diffusività, ma dove il calcolo della diffusione è molto più semplice (a destra). Nel sistema non correlato, ogni salto corrisponde a un "kinoson", un piccolo contributo alla diffusione e la somma di tutti i kinoson dà la diffusività. Crediti:Grainger College of Engineering/Università dell'Illinois Urbana-Champaign

    I ricercatori dell'Università dell'Illinois Urbana-Champaign hanno riformulato la diffusione nelle leghe multicomponente come somma di contributi individuali, chiamati "kinosons". Utilizzando l'apprendimento automatico per calcolare la distribuzione statistica dei singoli contributi, sono stati in grado di modellare la lega e calcolare i suoi ordini di grandezza di diffusività in modo più efficiente rispetto al calcolo di intere traiettorie.



    Questo lavoro è pubblicato sulla rivista Physical Review Letters .

    "Abbiamo trovato un modo molto più efficiente per calcolare la diffusione nei solidi e, allo stesso tempo, abbiamo imparato di più sui processi fondamentali di diffusione in quello stesso sistema", afferma il professore di scienza e ingegneria dei materiali Dallas Trinkle, che ha guidato questo lavoro, insieme a con lo studente laureato Soham Chattopadhyay.

    La diffusione nei solidi è il processo mediante il quale gli atomi si muovono attraverso un materiale. La produzione dell'acciaio, il movimento degli ioni attraverso una batteria e il drogaggio dei dispositivi a semiconduttore sono tutte cose controllate dalla diffusione.

    Qui, il team ha modellato la diffusione in leghe multicomponente, che sono metalli composti da cinque diversi elementi (manganese, cobalto, cromo, ferro e nichel in questa ricerca) in quantità uguali. Questi tipi di leghe sono interessanti perché un modo per creare materiali resistenti è aggiungere diversi elementi insieme, come aggiungere carbonio e ferro per produrre l'acciaio.

    Le leghe multicomponente hanno proprietà uniche, come un buon comportamento meccanico e stabilità alle alte temperature, quindi è importante capire come gli atomi si diffondono in questi materiali.

    Per osservare bene la diffusione, sono necessari tempi lunghi poiché gli atomi si muovono in modo casuale e, nel tempo, il loro spostamento dal punto di partenza aumenterà. "Se qualcuno tenta di simulare la diffusione, è una seccatura perché è necessario eseguire la simulazione per un tempo molto lungo per ottenere un quadro completo", afferma Trinkle.

    "Ciò limita davvero molti dei modi in cui possiamo studiare la diffusione. Spesso non è possibile utilizzare metodi più accurati per calcolare i tassi di transizione perché non saresti in grado di eseguire passaggi sufficienti di una simulazione per ottenere la traiettoria a lungo termine e ottenere un risultato valore ragionevole di diffusione."

    Un atomo potrebbe saltare a sinistra ma poi potrebbe tornare a destra. In tal caso, l'atomo non si è spostato da nessuna parte. Ora, diciamo che salta a sinistra, poi accadono 1.000 altre cose, poi salta di nuovo a destra. È lo stesso effetto.

    Trinkle dice:"Chiamiamo questa correlazione perché a un certo punto l'atomo ha fatto un salto e poi ha annullato quel salto. Questo è ciò che rende complicata la diffusione. Quando guardiamo come l'apprendimento automatico sta risolvendo il problema, ciò che sta realmente facendo è cambiare il problema in uno in cui non ci sono nessuno di questi salti correlati."

    Pertanto, qualsiasi salto compiuto da un atomo contribuisce alla diffusione e il problema diventa molto più semplice da risolvere. "Chiamiamo questi salti kinoson, per i piccoli movimenti", dice Trinkle.

    "Abbiamo dimostrato che è possibile estrarre la distribuzione di questi, la probabilità di vedere un chinosone di una certa grandezza, e sommarli tutti per ottenere la vera diffusività. Oltre a ciò si può dire come i diversi elementi si diffondono in un solido."

    Un altro vantaggio della modellazione della diffusione utilizzando i kinosoni e l’apprendimento automatico è che è significativamente più veloce rispetto al calcolo di intere traiettorie su scala temporale lunga. Trinkle afferma che con questo metodo le simulazioni possono essere eseguite 100 volte più velocemente di quanto sarebbe necessario con i metodi normali.

    "Penso che questo metodo cambierà davvero il modo in cui pensiamo alla diffusione", afferma. "È un modo diverso di guardare al problema e spero che nei prossimi 10 anni questo diventi il ​​modo standard di guardare alla diffusione. Per me, una delle cose interessanti non è solo che funziona più velocemente, ma anche che si saperne di più su cosa sta succedendo nel sistema."




    © Scienza https://it.scienceaq.com