Machine learning prediction of hydrogen sorption properties of zirconium-titanium based C14 Laves phase AB 2 alloy from chemical composition
Diese Studie zeigt, dass auf elementaren Atomprozenten trainierte Modelle des maschinellen Lernens die wichtigsten Wasserstoffsorptionseigenschaften von Zr–Ti-basierten C14-Laves-Phasen-AB2-Legierungen effektiv vorhersagen können, wobei eine hohe Genauigkeit für das Einheitszellenvolumen und eine moderate Genauigkeit für den Gleichgewichtsdruck erreicht wird, was das Design von Wasserstoffspeichermaterialien beschleunigt.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Wasserstoff ist ein sauberer Brennstoff, der ohne Verschmutzung verbrennt, aber seine Speicherung ist ein schwieriges technisches Problem. Da Wasserstoff das leichteste Element im Universum ist, nimmt er eine enorme Menge an Platz ein, sofern er nicht eng zusammengedrückt wird. Eine Möglichkeit, dies zu lösen, besteht darin, Wasserstoffatome in der Kristallstruktur eines Metalls einzufangen und so ein festes Material zu schaffen, das das Gas sicher hält. Diese Materialien, sogenannte Metallhydride, können Wasserstoff aufnehmen wie ein Schwamm Wasser aufsaugt, und ihn bei Bedarf wieder abgeben. Unter den vielen Arten von Metallen, die untersucht werden, hat eine spezifische Gruppe, bekannt als AB2-Legierungen, großes Potenzuses gezeigt. Dies sind Mischungen aus zwei verschiedenen Metallen, die ein starres, sich wiederholendes Muster bilden, das man Kristallgitter nennt. Wenn Wasserstoff in dieses Gitter eindringt, verändert er die Größe des Musters und die Energie, die erforderlich ist, um das Gas zu halten. Wissenschaftler müssen genau wissen, wie diese Veränderungen ablaufen, um bessere Batterien und Treibstofftanks zu entwickeln, aber das Testen jeder möglichen Kombination von Metallen in einem Labor ist langsam, teuer und oft unmöglich für jede theoretische Mischung durchzuführen.
Um diesen Entdeckungsprozess zu beschleunigen, wandten sich Forscher aus Indonesien, Malaysia und Kroatien einem anderen Werkzeug zu: dem maschinellen Lernen. Anstatt Metalle für jedes Experiment in einem Schmelzofen zu schmelzen, brachten sie einem Computer bei, das Verhalten dieser Legierungen basierend auf ihrer chemischen Zusammensetzung vorherzusagen. Das Team konzentrierte sich auf eine spezifische Familie von Legierungen, die hauptsächlich aus Zirkonium und Titan bestehen, welche dafür bekannt sind, eine hexagonale Kristallstruktur namens C14-Laves-Phase zu bilden. Sie sammelten eine massive Sammlung von Daten aus früheren wissenschaftlichen Studien und stellten Informationen über 244 verschiedene Legierungsrezepte zusammen. Für jedes Rezept wussten sie genau, welche Elemente in welchen Mengen vorhanden waren sowie die resultierenden physikalischen Eigenschaften: wie stark sich die Kristallstruktur ausdehnte, wenn sie Wasserstoff aufnahm, wie viel Wärme während des Prozesses freigesetzt wurde, wie viel Unordnung erzeugt wurde und bei welchem Druck sich der Wasserstoff einpendelte.
Die Forscher wollten sehen, ob sie diese vier Schlüsselergebnisse allein durch den Blick auf die Zutatenliste vorhersagen konnten. Sie testeten zwei verschiedene Wege, um diese Informationen in den Computer einzuspeisen. Die erste Methode verwendete die rohen Prozentsätze der einzelnen Elemente, wie zum Beispiel „10 Prozent Titan“ oder „5 Prozent Mangan“. Die zweite Methode verwendete berechnete physikalische Eigenschaften, die aus diesen Zutaten abgeleitet wurden, wie etwa die durchschnittliche Größe der Atome, die Dichte des Materials und das Verhältnis der beiden Hauptmetalltypen. Sie trainierten fünf verschiedene Arten von Computer-Algorithmen mit diesen Daten und teilten die Informationen so auf, dass der Computer aus den meisten Beispielen lernte und an denjenigen getestet wurde, die er noch nie gesehen hatte. Dieser Ansatz ermöglichte es ihnen, zu beurteilen, wie gut der Computer die Eigenschaften einer neuen, unbekannten Legierung erraten konnte.
Die Ergebnisse zeigten einen klaren Gewinner in der Art und Weise, wie die Zutaten beschrieben werden. Der Computer schnitt signifikant besser ab, wenn ihm die einfachen Elementprozentsätze gegeben wurden, anstatt die berechneten physikalischen Eigenschaften. Bei der Vorhersage der Größe der Kristallzelle – des winzigen Kastens, der sich wiederholt, um das Metall zu bilden – war das Modell, das Elementprozentsätze verwendete, bemerkenswert genau. Ein einfaches lineares Modell, das nach geradlinigen Beziehungen zwischen Datenpunkten sucht, erreichte einen Wert von 0,955 auf dem Testdatensatz, was bedeutet, dass es die Kristallgröße mit sehr hoher Präzision vorhersagen konnte. Dies deutet darauf hin, dass die Größe des Kristalls weitgehend durch einen direkten Durchschnitt der Größen der darin enthaltenen Atome bestimmt wird. Im Gegensatz dazu hatten die Modelle, die die komplexeren physikalischen Eigenschaften verwendeten, Schwierigkeiten, die gleiche Genauigkeit zu erreichen, was darauf hindeutet, dass diese berechneten Zahlen einige der spezifischen Details verbergen könnten, die der Computer benötigt.
Die Geschichte verlief jedoch anders für die anderen Eigenschaften. Die Vorhersage der Wärme, die bei der Wasserstoffaufnahme freigesetzt wird, erwies sich als viel schwieriger. Selbst die besten Modelle konnten nur etwa die Hälfte der Variation in den Daten erfassen, was darauf hindeutet, dass die Absorptionswärme von subtilen elektronischen und strukturellen Faktoren abhängt, die eine einfache Liste von Zutaten nicht vollständig erklären kann. Die Vorhersage der Entropie, die das Maß für die Unordnung oder Zufälligkeit beschreibt, die entsteht, wenn Wasserstoff in das Metall eintritt, war die schwierigste Aufgabe von allen. Die meisten Computermodelle schnitten schlechter ab als das einfache Raten des Durchschnittswerts für jede neue Legierung, was darauf hindeutet, dass die aktuellen Daten nicht genügend Informationen enthalten, um die komplexen Schwingungen und Anordnungen zu verstehen, die diese Eigenschaft bestimmen.
Der Gleichgewichtsdruck, also die Kraft, bei der sich der Wasserstoff bequem innerhalb des Metalls befindet, zeigte moderaten Erfolg. Der Computer konnte diesen Wert recht gut vorhersagen, insbesondere wenn er die Elementprozentsätze verwendete. Interessanterweise fanden die Forscher eine starke Verbindung zwischen dem Druck und der Größe der Kristallzelle: Wenn die Kristallbox größer wurde, sank der Druck, der benötigt wurde, um den Wasserstoff zu halten. Dies ergibt physikalisch Sinn, da ein größerer Raum innerhalb des Metalls es den Wasserstoffatomen erleichtert, sich hineinzufügen, wodurch weniger Druck erforderlich ist, um sie dorthin zu zwingen. Die Studie kommt zu dem Schluss, dass maschinelles Lernen zwar ein mächtiges Werkzeug für das Design dieser Wasserstoffspeichermaterialien ist, es aber am besten für strukturelle Eigenschaften wie die Größe funktioniert. Für die komplexeren thermodynamischen Verhaltensweisen wie Wärme und Unordnung müssen Wissenschaftler intelligentere Wege entwickeln, um die Materialien zu beschreiben, bevor Computer diese zuverlässig vorhersagen können. Diese Arbeit bietet einen klaren Weg nach vorn und zeigt, dass es oft nützlicher ist, das exakte Rezept einer Legierung zu kennen, als ihre abgeleiteten physikalischen Merkmale, wenn man versuchen will, deren Energiespeicherung vorherzusagen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.