Machine Learning Guided Discovery of Corundum High Entropy Oxides
Diese Studie nutzt maschinelles Lernen für interatomare Potentiale, um fast 500 potenzielle Zusammensetzungen von Hochentropieoxiden zu screenen, wobei erfolgreich 16 vielversprechende Kandidaten identifiziert und drei neue korundstrukturierte HEOs experimentell entdeckt wurden, wodurch gezeigt wird, dass HEOs zwar seltener sind als ursprünglich vorhergesagt, maschinelles Lernen deren Entdeckung jedoch effektiv leitet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Materialwissenschaftler sind schon lange von der Idee der Hochentropie-Oxide fasziniert, einer Klasse von Materialien, bei denen viele verschiedene Metallatome in einer einzigen Kristallstruktur gemischt sind. In der Welt der Metalllegierungen ist es relativ üblich, zehn oder mehr Elemente zu einer einzigen, stabilen Phase zu mischen, aber Oxide – Verbindungen, die Sauerstoff enthalten – sind viel widerspenstiger. Ihre Atome bevorzugen es, sich in sehr spezifischen, geordneten Mustern anzuordnen, und das Erzwingen einer Mischung führt oft zu einem chaotischen Durcheinander aus separaten, konkurrierenden Kristallen statt zu einem einheitlichen Material. Jahrelang hofften Forscher, dass sie durch das einfache Mischen genügend verschiedener Metalle eine riesige neue Bibliothek nützlicher Materialien schaffen könnten, doch die Realität war weitaus schwieriger vorherzusagen. Die Stabilität dieser Mischungen hängt von einem komplexen Gleichgewicht aus Atomgrößen, elektrischen Ladungen und der Energie ab, die sie zusammenhält, was es nahezu unmöglich macht, vorherzusagen, welche Kombinationen tatsächlich funktionieren werden, ohne sie einzeln auszuprobieren.
Um diese immense Komplexität zu bewältigen, wandte sich ein Forscherteam dem maschinellen Lernen zu und nutzte Computermodelle, die darauf trainiert wurden, zu verstehen, wie Atome interagieren. Sie konzentrierten sich auf eine spezifische Familie von Oxiden, bei denen die Metallatome eine positive Ladung von drei tragen, eine Konfiguration, die in der Natur häufig vorkommt, aber für die Hochentropie-Mischung bisher nicht weitläufig untersucht wurde. Die Forscher begannen mit einer Liste von zehn verschiedenen Metallen, die natürlicherweise diese Drei-Plus-Ladung bevorzugen, darunter gewöhnliche Elemente wie Aluminium und Eisen sowie seltenere wie Rhodium und Scandium. Durch die Kombination dieser Metalle in Gruppen von vier oder fünf erstellten sie nahezu 500 mögliche Rezepte. Anstatt jedes einzelne im Labor aufzubauen, nutzten sie ihre Computermodelle, um den energetischen Aufwand der Durchmischung dieser Atome und die Gleichmäßigkeit ihrer Verteilung zu berechnen. Die Modelle fungierten als Filter, die hunderte von Möglichkeiten sortierten, um genau 16 Kandidaten zu identifizieren, die am wahrscheinlichsten ein stabiles, einphasiges Material bilden würden.
Das Team ging dann in das Labor, um diese Vorhersagen zu testen, wobei sie zwei verschiedene Methoden anwandten, um die Materialien „zu kochen“: einen langsamen, traditionellen Erhitzungsprozess und eine schnelle Verbrennungstechnik, die einen chemischen Brennstoff nutzt, um intensive Hitze zu erzeugen. Die Ergebnisse waren aufschlussreich. Von den 16 getesteten Kandidaten bildeten nur drei erfolgreich das gewünschte einphasige Material, und alle drei waren ein spezifischer Typ einer Kristallstruktur, die als Korund bekannt ist – dieselbe Struktur, die auch in Rubinen und Saphiren vorkommt. Eines dieser erfolgreichen Materialien enthielt Aluminium, Chrom, Eisen und Gallium; ein anderes kombinierte Chrom, Eisen, Gallium, Rhodium und Scandium; und das dritte mischte Aluminium, Chrom, Eisen, Rhodium und Scandium. Die Entdeckung des Materials, das Scandium enthielt, war besonders bemerkenswert, da Scandium normalerweise sich weigert, in diese Art von Kristallstruktur einzutreten, was darauf hindeutet, dass die schiere Unordnung der Mischung so vieler verschiedener Atome half, es zu stabilisieren.
Das Experiment verdeutlichte jedoch auch, wie selten diese erfolgreichen Materialien wirklich sind. Für die Mehrheit der 16 Versuche bildeten die Materialien keine einzige Mischung, sondern spalteten sich stattdessen in zwei oder mehr verschiedene Phasen auf, ein Phänomen, das in zehn der Fälle auftrat. In einigen Fällen hing das Ergebnis vollständig davon ab, wie das Material hergestellt wurde; eine Mischung, die im langsamen Erhitzungsprozess scheiterte, war manchmal mit der schnellen Verbrennungsmethode erfolgreich oder umgekehrt. Die Forscher stießen auch auf eine chemische Hürde mit Rhodium, einem Metall, das dazu neigt, seinen Sauerstoff zu verlieren und beim Erhitzen zu reinem Metall zu werden – ein Problem, das eine sorgfältige Kontrolle von Luft und Temperatur erforderte, um es zu überwinden. In einem unerwarteten Fall entdeckte das Team ein neues Material, bei dem sich die Atome keineswegs zufällig mischten, sondern stattdessen in ein hochgeordnetes Muster einordneten und eine einzigartige Kristallstruktur bildeten, die in dieser spezifischen Kombination von Elementen zuvor noch nicht gesehen worden war.
Die Studie kommt zu dem Schluss, dass die theoretische Anzahl möglicher Hochentropie-Oxide enorm ist, die Anzahl der Materialien, die tatsächlich hergestellt werden können, jedoch weit kleiner ist, als ursprünglich angenommen. Die Forscher fanden heraus, dass einfache Regeln über Atomgröße oder Ladung nicht ausreichen, um den Erfolg vorherzusagen; stattdessen zählt der spezifische Weg der Materialerstellung genauso viel wie die Zutaten selbst. Durch den Einsatz von maschinellem Lernen zur Steuerung ihrer Suche konnte das Team die wenigen lebensfähigen Kandidaten finden, die in einem Meer aus unwahrscheinlichen Kombinationen verborgen lagen – effektiv die Suche nach der Nadel im Heuhaufen. Dieser Ansatz legt nahe, dass die Zukunft der Entdeckung neuer Materialien nicht im Raten liegt, sondern in der Nutzung intelligenter Computerscreenings, um die wenigen Rezepte zu identifizieren, die eine reale Chance haben zu funktionieren, gefolgt von einer sorgfältigen experimentellen Feinabstimmung, um sie zum Leben zu erwecken.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.