Editeur | Green Luo

Tout comme le parfum des fleurs qui se propage dans le vent et frappe votre visage, les atomes et molécules de la matière subissent également leur « diffusion ».

La dispersion dans les matériaux détermine la dynamique de précipitation, la formation de nouvelles phases et l'évolution microstructurale et affecte fortement les propriétés mécaniques et physiques. La complexité chimique inhérente aux matériaux aux compositions complexes pose des défis à la modélisation de la diffusion atomique et à la formation de structures chimiquement ordonnées.

À cet égard, des chercheurs de l'Université de Californie ont proposé une méthode de dynamique des réseaux neuronaux (NNK) pour prédire la diffusion atomique et l'évolution microstructurale qui en résulte dans des matériaux aux compositions complexes.

Le cadre est basé sur une structure de réseau et une caractérisation chimique efficaces, combinées à des réseaux de neurones artificiels, et est capable de prédire avec précision toutes les barrières de migration dépendant du chemin et les sauts d'atomes uniques. Le cadre NNK évolutif offre une nouvelle voie prometteuse pour explorer les propriétés liées à la diffusion dans un vaste espace combinatoire qui cache des propriétés extraordinaires.

Une recherche connexe intitulée « Cinétique des réseaux neuronaux pour explorer la multiplicité de diffusion et l'ordre chimique dans des matériaux de composition complexe » a été publiée dans « Nature Communications » le 9 mai.

Diffusion des matériaux et défis de modélisation

Transfert d'atomes d'un endroit à un autre La diffusion des ions contrôle de nombreux processus et comportements importants, tels que la précipitation et la nucléation des phases.

Dans les métaux et les alliages, le processus de diffusion est lié aux lacunes et aux défauts ponctuels qui assurent le saut atomique dans le réseau cristallin. La modélisation de la dynamique moléculaire (MD) basée sur les champs de force ou la théorie fonctionnelle de la densité peut sonder les mécanismes de diffusion atomique à des échelles de temps nanosecondes, mais les changements microstructuraux provoqués par une dynamique de diffusion lente sont souvent impossibles à obtenir.

La méthode de simulation kMC est une technique utilisée pour simuler l'évolution structurelle médiée par la diffusion. Dans les simulations kMC, en raison du coût de calcul élevé de la recherche d'état de transition, les paramètres clés sont généralement paramétrés à partir du modèle de continuum.

L'émergence d'alliages à composition complexe (ACC), souvent appelés alliages à haute entropie, a entraîné de nombreux comportements dynamiques intéressants, notamment l'ordre chimique à courte portée, la précipitation, la ségrégation et l'annihilation des défauts radiatifs, qui n'ont pas encore été fondamentalement étudiés. compréhension comprise et prédictions finales. Cependant, la complexité chimique du CCA pose de nouveaux défis à la modélisation des processus médiés par la diffusion.

L'émergence des méthodes d'apprentissage automatique a démontré le potentiel de résoudre des problèmes informatiques complexes en science des matériaux impliquant des interactions non linéaires et des espaces combinatoires à grande échelle.

Concernant la diffusion des lacunes dans les alliages aux compositions complexes, un paramètre clé important est la barrière énergétique de diffusion ΔE, qui est la différence d'énergie entre l'état de transition et le minimum d'énergie initial. En raison des fluctuations de composition à l’échelle atomique et de la présence de plusieurs directions de diffusion dans le CCA, des modèles d’apprentissage automatique sont nécessaires pour prédire avec précision les propriétés du vecteur, en particulier les barrières potentielles liées au chemin de diffusion.

Schéma de dynamique de réseau neuronal

Dans cette étude, les chercheurs ont proposé un schéma de dynamique de réseau neuronal (NNK) pour prédire et simuler l'évolution chimique et structurelle induite par la diffusion dans des environnements chimiques concentrés complexes.

La figure a ci-dessous est une structure de réseau et une représentation chimique où la configuration atomique initiale avec des postes vacants est codée dans une matrice numérique ou un diagramme de neurones. Les nombres (1, 2 et 3) représentent le type d'atome correspondant et 0 représente une lacune. Ces nombres vectorisés sont ensuite transmis au modèle NNK et utilisés comme neurones d'entrée.

NNK se compose d'un réseau de neurones artificiels et de modules de dynamique des neurones. Le réseau neuronal introduit (avec plus de deux couches cachées) vise à apprendre les interactions non linéaires entre les neurones d'entrée (c'est-à-dire les atomes et les postes vacants) et les barrières énergétiques de diffusion de sortie. Notamment, ce réseau utilise uniquement les postes vacants et leurs neurones voisins comme entrée, ce qui entraîne un coût de calcul faible et constant sans sacrifier la précision.

Le module de dynamique des neurones utilise une méthode cinétique de Monte Carlo pour faire évoluer la dynamique de diffusion en utilisant les barrières potentielles disponibles associées à chaque chemin de diffusion. Avec une seule conversion de configurations atomiques en graphiques de neurones, les sauts de postes vacants et l'évolution chimique peuvent être simulés en échangeant deux chiffres du graphique de neurones. De cette manière, des millions de sauts d’espace peuvent être modélisés efficacement, chaque itération de saut impliquant les actions de seulement deux neurones.

Exploration de la diffusion et de l'ordre chimique dans des matériaux aux compositions complexes

En utilisant NNK et bcc NbMoTa comme systèmes modèles, les chercheurs ont exploré l'ordre chimique médié par la cinétique de diffusion et la formation de phase B2, et ont révélé la diffusion anormale inhérente du CCA (multiplicité de diffusion) .

Découverte de l'existence d'une température critique à laquelle l'ordre de B2 (la cellule unitaire B2 a une structure simple bcc, composée de deux substances, Ta et Mo, ordonnées aux coins ou au centre du cube) atteint un maximum. La dépendance de l'ordre chimique en fonction de la température est étroitement liée à la stochasticité sous-jacente des sauts de réseau.

À des températures élevées proches du point de fusion, le saut de diffusion se rapproche finalement d'un processus purement aléatoire, correspondant à une faible propension à la formation d'ordres. À basses températures, la diffusion sur réseau est dominée par le chemin de barrière le plus bas, se manifestant par des sauts directionnels et limitant la nucléation de structures chimiquement ordonnées. À des températures critiques dans la plage intermédiaire, des sauts de réseau aléatoires et directionnels se propagent dans tout le système, présentant la plus grande hétérogénéité diffusionnelle (multiplicité).

En suivant les amas B2 individuels pendant le processus de recuit, il a été constaté que leur nucléation et leur croissance sont intermittentes et non uniformes, accompagnées de la réduction et de l'annihilation de petits amas. Cette caractéristique distinctive de la croissance cinétique de la structure B2 n’a pas été capturée par la modélisation virtuelle basée sur la thermodynamique utilisant un échange aléatoire de types d’atomes, qui a montré une croissance plus uniforme.

Ces résultats mettent en évidence les voies cinétiques complexes et nombreuses du CCA vers un état stable, dans lequel de nombreux processus tels que la nucléation, l'annihilation, la croissance et le réarrangement de structures ordonnées interagissent et se coordonnent.

Les réseaux de neurones entraînés sur des dizaines de composants démontrent de hautes performances sur des composants invisibles, révélant tout l'espace ternaire de Nb-Mo-Ta. L’espace de conception des compositions étant presque illimité, les matériaux complexes sur le plan de la composition formés par le mélange de plusieurs éléments ouvrent un nouveau domaine à explorer.

En reliant directement les compositions multidimensionnelles aux spectres de barrière de diffusion, NNK ouvre la voie à l'exploration du vaste espace de composition du CCA, où se cachent des propriétés dynamiques extraordinaires.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!