Deep Learning für neue Legierungen
Supercomputer Stampede2 hilft, neue Eigenschaften von hochentropischen Legierungen zu finden
Wann ist etwas mehr als nur die Summe seiner Teile? Legierungen zeigen solche Synergieeffekte. Stahl zum Beispiel hat die Industrie revolutioniert, indem man Eisen nahm, ein wenig Kohlenstoff hinzufügte und eine Legierung herstellte, die viel stärker war als jeder ihrer Bestandteile.
Gezeigt wird ein datengesteuerter Arbeitsablauf zur Abbildung der elastischen Eigenschaften des hochentropischen Legierungsraums.
Chen et al.
Supercomputer-Simulationen helfen den Wissenschaftlern, neue Arten von Legierungen, so genannte hochentropische Legierungen, zu entdecken. Die Forscher haben den Supercomputer Stampede2 des Texas Advanced Computing Center (TACC) verwendet, der vom Extreme Science and Engineering Discovery Environment (XSEDE) bereitgestellt wird.
Ihre Forschungsergebnisse wurden in der Zeitschrift Npj Computational Materials veröffentlicht. Der Ansatz könnte bei der Suche nach neuen Materialien für Batterien, Katalysatoren und mehr angewendet werden, ohne dass teure Metalle wie Platin oder Kobalt benötigt werden.
"Hochentrope Legierungen stellen ein völlig anderes Designkonzept dar. In diesem Fall versuchen wir, mehrere Hauptelemente miteinander zu mischen", sagte der Hauptautor der Studie, Wei Chen, außerordentlicher Professor für Materialwissenschaft und Technik am Illinois Institute of Technology.
Der Begriff "hohe Entropie" bezieht sich auf die Verringerung der Energie, die durch das zufällige Mischen mehrerer Elemente mit ähnlichen Atomanteilen gewonnen wird, wodurch neue und neuartige Materialien stabilisiert werden können.
Für die Studie untersuchten Chen und Kollegen einen großen Bereich von 14 Elementen und die Kombinationen, die zu hochentropischen Legierungen führen. Sie führten quantenmechanische Hochdurchsatzberechnungen durch, mit denen sie die Stabilität und die elastischen Eigenschaften der Legierung, d. h. die Fähigkeit, ihre Größe und Form unter Belastung wiederzuerlangen, von mehr als 7 000 hochentropischen Legierungen ermittelten.
"Dies ist unseres Wissens die größte Datenbank über die elastischen Eigenschaften von hochentropischen Legierungen", fügte Chen hinzu.
Anschließend wendeten sie auf diesen großen Datensatz eine Deep-Sets-Architektur an, eine fortschrittliche Deep-Learning-Architektur, die Vorhersagemodelle für die Eigenschaften neuer hochentropischer Legierungen erstellt.
"Wir entwickelten ein neues Machine-Learning-Modell und sagten die Eigenschaften von mehr als 370.000 hochentropischen Legierungszusammensetzungen voraus", so Chen.
Der letzte Teil ihrer Studie nutzte das so genannte Assoziationsregel-Mining, eine regelbasierte Machine-Learning-Methode, die dazu dient, neue und interessante Beziehungen zwischen Variablen zu entdecken, in diesem Fall, wie sich einzelne oder Kombinationen von Elementen auf die Eigenschaften von hochentropischen Legierungen auswirken.
"Wir haben einige Designregeln für die Entwicklung hochentropischer Legierungen abgeleitet. Und wir haben mehrere Zusammensetzungen vorgeschlagen, die Experimentatoren versuchen können, zu synthetisieren und herzustellen", so Chen weiter.
Hochentrope Legierungen sind ein neues Gebiet für Materialwissenschaftler. Daher gibt es nur sehr wenige experimentelle Ergebnisse. Dieser Mangel an Daten hat die Möglichkeiten der Wissenschaftler, neue Legierungen zu entwickeln, eingeschränkt.
"Deshalb führen wir Hochdurchsatzberechnungen durch, um eine sehr große Anzahl von hochentropischen Legierungsräumen zu untersuchen und ihre Stabilität und elastischen Eigenschaften zu verstehen", sagte Chen.
Er verwies auf mehr als 160.000 First-Principle-Berechnungen in dieser neuesten Arbeit.
"Die schiere Anzahl der Berechnungen ist auf einzelnen Computerclustern oder Personalcomputern im Grunde nicht durchführbar", so Chen. "Deshalb brauchen wir Zugang zu Hochleistungsrechenanlagen, wie sie am TACC von XSEDE bereitgestellt werden."
Chen erhielt über XSEDE, eine von der National Science Foundation (NSF) finanzierte virtuelle Zusammenarbeit, die einen kostenlosen, maßgeschneiderten Zugang zu fortschrittlichen digitalen Ressourcen, Beratung, Schulung und Mentoring ermöglicht, Zeit auf dem Stampede2-Supercomputer am TACC.
Leider eignete sich der EMTO-CPA-Code, den Chen für die Berechnungen der quantenmechanischen Dichtefunktionstheorie verwendete, nicht für die parallele Natur des Hochleistungsrechnens, bei dem normalerweise große Berechnungen in kleinere, gleichzeitig ablaufende Berechnungen aufgeteilt werden.
"Stampede2 und TACC stellten uns über XSEDE einen sehr nützlichen Code namens Launcher zur Verfügung, der uns dabei half, einzelne kleine Aufgaben in ein oder zwei große Aufgaben zu packen, so dass wir die Vorteile der Stampede2-Hochleistungsrechnerknotenvoll ausschöpfen konnten", so Chen.
Mit dem an der TACC entwickelten Launcher-Skript konnte Chen etwa 60 kleine Aufgaben in eine einzige packen und sie dann gleichzeitig auf einem Hochleistungsknoten ausführen. Das erhöhte die Effizienz und Geschwindigkeit der Berechnungen.
"Offensichtlich ist dies eine einzigartige Anwendung für Supercomputer, aber es ist auch für viele Materialmodellierungsprobleme üblich", sagte Chen.
Für diese Arbeit verwendeten Chen und Kollegen eine Computernetzwerkarchitektur namens Deep Sets, um die Eigenschaften von hochentropischen Legierungen zu modellieren.
Die Deep Sets-Architektur kann die elementaren Eigenschaften einzelner hochentropischer Legierungen verwenden und Vorhersagemodelle erstellen, um die Eigenschaften eines neuen Legierungssystems vorherzusagen.
"Da dieses Framework so effizient ist, wurde der größte Teil des Trainings auf dem Personal Computer unserer Studenten durchgeführt", so Chen. "Aber wir haben TACC Stampede2 benutzt, um mit dem Modell Vorhersagen zu machen."
Chen nannte als Beispiel die weithin untersuchte Cantor-Legierung - eine etwa gleich große Mischung aus Eisen, Mangan, Kobalt, Chrom und Nickel. Das Interessante an dieser Legierung ist, dass sie auch bei sehr niedrigen Temperaturen nicht spröde wird.
Ein Grund dafür ist der von Chen so genannte "Cocktaileffekt", der zu einem überraschenden Verhalten im Vergleich zu den einzelnen Elementen führt, wenn sie zu etwa gleichen Anteilen in einer hochentropischen Legierung gemischt werden.
Der andere Grund ist, dass sich bei der Mischung mehrerer Elemente ein nahezu unbegrenzter Gestaltungsspielraum eröffnet, um neue Zusammensetzungsstrukturen und sogar ein völlig neues Material für Anwendungen zu finden, die zuvor nicht möglich waren.
Es bleibt zu hoffen, dass mehr Forscher rechnerische Hilfsmittel einsetzen, um die Materialien, die sie synthetisieren wollen, einzugrenzen", so Chen. "Hochentrope Legierungen können aus leicht zu beschaffenden Elementen hergestellt werden, und wir können hoffentlich die Edelmetalle oder Elemente wie Platin oder Kobalt ersetzen, bei denen es Probleme mit der Lieferkette gibt. Dies sind tatsächlich strategische und nachhaltige Materialien für die Zukunft".
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
