Un team del MIT utilizza modelli computazionali per misurare i pattern atomici nei metalli, essenziali per progettare materiali su misura da utilizzare in aerospaziale, biomedicina, elettronica e altro
Il concetto di ordine a breve raggio (SRO) — la disposizione degli atomi su piccole distanze — nelle leghe metalliche è stato poco esplorato nella scienza e ingegneria dei materiali. Tuttavia, nell’ultimo decennio, c’è stato un rinnovato interesse nel quantificarlo, poiché decodificare l’SRO è un passo cruciale per sviluppare leghe ad alte prestazioni su misura, come materiali più resistenti o resistenti al calore.
Comprendere come si dispongono gli atomi non è un compito facile e deve essere verificato tramite esperimenti di laboratorio intensivi o simulazioni al computer basate su modelli imperfetti. Questi ostacoli hanno reso difficile esplorare completamente l’SRO nelle leghe metalliche.
Ma Killian Sheriff e Yifan Cao, studenti laureati nel Dipartimento di Scienza e Ingegneria dei Materiali del MIT (DMSE), stanno usando il machine learning per quantificare, atomo per atomo, le complesse disposizioni chimiche che costituiscono l’SRO. Sotto la supervisione del Professore Rodrigo Freitas e con l’aiuto del Professore Assistente Tess Smidt del Dipartimento di Ingegneria Elettrica e Informatica, il loro lavoro è stato recentemente pubblicato su The Proceedings of the National Academy of Sciences.
L’interesse per la comprensione dell’SRO è legato all’entusiasmo per i materiali avanzati chiamati leghe ad alta entropia, le cui composizioni complesse conferiscono loro proprietà superiori.
Tipicamente, gli scienziati dei materiali sviluppano leghe utilizzando un elemento come base e aggiungendo piccole quantità di altri elementi per migliorare proprietà specifiche. L’aggiunta di cromo al nichel, ad esempio, rende il metallo risultante più resistente alla corrosione.
A differenza della maggior parte delle leghe tradizionali, le leghe ad alta entropia hanno diversi elementi, da tre a venti, in proporzioni quasi uguali. Questo offre un vasto spazio di progettazione. “È come fare una ricetta con molti più ingredienti,” dice Cao.
L’obiettivo è utilizzare l’SRO come una “manopola” per personalizzare le proprietà del materiale mescolando elementi chimici nelle leghe ad alta entropia in modi unici. Questo approccio ha potenziali applicazioni in industrie come l’aerospaziale, la biomedicina e l’elettronica, spingendo la necessità di esplorare permutazioni e combinazioni di elementi, afferma Cao.
Catturare l’ordine a breve raggio
L’ordine a breve raggio si riferisce alla tendenza degli atomi a formare disposizioni chimiche con atomi vicini specifici. Mentre un’osservazione superficiale della distribuzione degli elementi di una lega potrebbe indicare che i suoi elementi costituenti sono disposti casualmente, spesso non è così. “Gli atomi preferiscono avere specifici atomi vicini disposti in modelli particolari,” dice Freitas. “La frequenza con cui questi modelli emergono e come sono distribuiti nello spazio è ciò che definisce l’SRO.”
Comprendere l’SRO sblocca le chiavi del regno dei materiali ad alta entropia. Purtroppo, non si sa molto sull’SRO nelle leghe ad alta entropia. “È come cercare di costruire un enorme modello Lego senza sapere qual è il pezzo più piccolo di Lego che si può avere,” dice Sheriff.
I metodi tradizionali per comprendere l’SRO coinvolgono piccoli modelli computazionali o simulazioni con un numero limitato di atomi, fornendo un quadro incompleto dei sistemi di materiali complessi. “I materiali ad alta entropia sono chimicamente complessi — non puoi simularli bene con solo pochi atomi; devi davvero andare a qualche scala di lunghezza sopra per catturare accuratamente il materiale,” dice Sheriff. “Altrimenti, è come cercare di capire il tuo albero genealogico senza conoscere uno dei genitori.”
L’SRO è stato anche calcolato usando la matematica di base, contando i vicini immediati per pochi atomi e calcolando come potrebbe apparire quella distribuzione in media. Nonostante la sua popolarità, l’approccio ha limitazioni, poiché offre un quadro incompleto dell’SRO.
Fortunatamente, i ricercatori stanno sfruttando il machine learning per superare le carenze degli approcci tradizionali per catturare e quantificare l’SRO.
Hyunseok Oh, professore assistente nel Dipartimento di Scienza e Ingegneria dei Materiali all’Università del Wisconsin a Madison e ex postdoc del DMSE, è entusiasta di indagare più a fondo sull’SRO. Oh, che non ha partecipato a questo studio, esplora come sfruttare la composizione delle leghe, i metodi di lavorazione e la loro relazione con l’SRO per progettare leghe migliori. “La fisica delle leghe e l’origine atomistica delle loro proprietà dipendono dall’ordine a breve raggio, ma il calcolo accurato dell’ordine a breve raggio è stato quasi impossibile,” dice Oh.
Una soluzione di machine learning a due punte
Per studiare l’SRO usando il machine learning, aiuta immaginare la struttura cristallina delle leghe ad alta entropia come un gioco di unisci i puntini in un libro da colorare, dice Cao.
“Devi conoscere le regole per unire i puntini per vedere il motivo.” E devi catturare le interazioni atomiche con una simulazione che sia abbastanza grande da adattarsi all’intero motivo.
Innanzitutto, comprendere le regole significava riprodurre i legami chimici nelle leghe ad alta entropia. “Ci sono piccole differenze energetiche nei modelli chimici che portano a differenze nell’ordine a breve raggio, e non avevamo un buon modello per farlo,” dice Freitas. Il modello sviluppato dal team è il primo blocco di costruzione per quantificare accuratamente l’SRO.
La seconda parte della sfida, garantire che i ricercatori ottengano l’intero quadro, era più complessa. Le leghe ad alta entropia possono esibire miliardi di “motivi” chimici, combinazioni di disposizioni di atomi. Identificare questi motivi dai dati di simulazione è difficile perché possono apparire in forme simmetricamente equivalenti — ruotate, specchiate o invertite. A prima vista, possono sembrare diversi ma contenere comunque gli stessi legami chimici.
Il team ha risolto questo problema impiegando reti neurali euclidee 3D. Questi modelli computazionali avanzati hanno permesso ai ricercatori di identificare i motivi chimici dalle simulazioni dei materiali ad alta entropia con dettagli senza precedenti, esaminandoli atomo per atomo.
Il compito finale era quantificare l’SRO. Freitas ha usato il machine learning per valutare i diversi motivi chimici e assegnare a ciascuno un numero. Quando i ricercatori vogliono quantificare l’SRO per un nuovo materiale, lo passano al modello, che lo ordina nel suo database e fornisce una risposta.
Il team ha anche investito ulteriori sforzi nel rendere il loro framework di identificazione dei motivi più accessibile. “Abbiamo questo foglio di tutte le possibili permutazioni di [SRO] già impostate, e sappiamo quale numero ciascuna di esse ha ottenuto attraverso questo processo di machine learning,” dice Freitas. “Quindi, in seguito, quando ci imbattiamo in simulazioni, possiamo ordinarle per dirci come sarà quel nuovo SRO.” La rete neurale riconosce facilmente le operazioni di simmetria e assegna strutture equivalenti con lo stesso numero.
“Se dovessi compilare tutte le simmetrie da solo, sarebbe molto lavoro. Il machine learning lo ha organizzato per noi molto rapidamente e in un modo abbastanza economico da poterlo applicare in pratica,” dice Freitas.
Entra in gioco il supercomputer più veloce del mondo
Quest’estate, Cao, Sheriff e il team avranno la possibilità di esplorare come l’SRO può cambiare durante le condizioni di lavorazione dei metalli di routine, come la fusione e la laminazione a freddo, attraverso il programma INCITE del Dipartimento dell’Energia degli Stati Uniti, che consente l’accesso a Frontier, il supercomputer più veloce del mondo.
“Se vuoi sapere come cambia l’ordine a breve raggio durante la produzione effettiva dei metalli, devi avere un modello molto buono e una simulazione molto grande,” dice Freitas. Il team ha già un modello solido; ora sfrutterà le strutture computazionali di INCITE per le robuste simulazioni necessarie.
“Con ciò ci aspettiamo di scoprire i meccanismi che i metallurgisti potrebbero impiegare per ingegnerizzare leghe con SRO predefiniti,” aggiunge Freitas.
Sheriff è entusiasta delle molte promesse della ricerca. Una è l’informazione 3D che può essere ottenuta sull’SRO chimico. Mentre i microscopi elettronici a trasmissione tradizionali e altri metodi sono limitati a dati bidimensionali, le simulazioni fisiche possono riempire i puntini e fornire l’accesso completo a informazioni 3D, dice Sheriff.
“Abbiamo introdotto un framework per iniziare a parlare di complessità chimica,” spiega Sheriff. “Ora che possiamo comprendere questo, c’è tutto un corpo di scienza dei materiali sulle leghe classiche per sviluppare strumenti predittivi per i materiali ad alta entropia.”
Ciò potrebbe portare alla progettazione mirata di nuove classi di materiali invece di semplicemente tentare alla cieca.
La ricerca è stata finanziata dal MathWorks Ignition Fund, dal MathWorks Engineering Fellowship Fund e dalla Fondazione Portoghese per la Cooperazione Internazionale in Scienza, Tecnologia e Istruzione Superiore nel Programma MIT–Portugal.
