Discovering High-Strength Alloys via Physics-Transfer Learning

De sterkte van een metaal is geen enkel getal dat op een etiket staat geschreven; het is een verhaal dat is geschreven over schalen van grootte en tijd. Op het kleinste niveau zijn atomen gerangschikt in ordelijke rijen, als soldaten in formatie. Wanneer een metaal buigt of uitrekt, glijden deze rijen niet soepel langs elkaar heen. In plaats daarvan bewegen ze op een grillige, stapsgewijze manier, gedreven door minuscule defecten in de atomaire opstelling die dislocaties worden genoemd. Stel je een zwaar tapijt voor dat over een vloer verplaatst moet worden; je sleept niet de hele boel in één keer voort. Je creëert een rimpeling, een bult, en duwt die bult voortbeweeg tot het tapijt is verschoven. In een kristal is die bult de dislocatie. De kracht die nodig is om deze bult voort te bewegen, is de fundamentele maatstaf voor hoe sterk het metaal is. Wetenschappers weten al lang dat als zij deze kracht kunnen berekenen, ze kunnen voorspellen welke nieuwe legeringen de sterkste zullen zijn. Het nauwkeurig berekenen ervan is echter een nachtmerrie voor computers. De betrokken fysica is rommelig en strekt zich uit over afstanden die te groot zijn voor de meest precieze atomaire simulaties, maar te klein voor de eenvoudige regels die in de techniek worden gebruikt. Decennialang zaten onderzoekers vast tussen twee slechte opties: een methode gebruiken die snel maar fout is, of een methode gebruiken die juist is maar zo lang duurt dat het onmogelijk is om meer dan een handvol materialen te testen.

Een team van onderzoekers van de Tsinghua Universiteit en de Chinese Academie van Wetenschappen heeft een uitweg gevonden uit deze valstrik. Ze hebben een nieuwe aanpak ontwikkeld die fungeert als een vertaler tussen twee verschillende talen van de fysica. Ze trainden een computerprogramma, een type kunstmatige intelligentie, om de regels van hoe atomen bewegen te begrijpen door miljoenen voorbeelden te bestuderen die zijn gegenereerd door snelle, benaderende simulaties. Zodra het programma deze regels had geleerd, voedden de onderzoekers het met data uit de trage, ultra-precieze simulaties die normaal gesproken te kostbaar zijn om voor grote projecten uit te voeren. Het programma gebruikte zijn begrip van de fysica om de precieze data te vertalen naar een voorspelling van sterkte. Deze methode, die de auteurs physics-transfer learning noemen, stelde hen in staat om duizenden potentiële metaalcombinaties in enkele seconden te screenen, waarbij ze legeringen identificeerden die ongelooflijk sterk zouden moeten zijn. Ze stopten niet bij het computerscherm. Onder begeleiding van deze voorspellingen bouwden ze een nieuwe set binaire legeringen — mengsels van twee metalen — met behulp van een hogesnelheidsdepositietechniek. Toen ze deze nieuwe materialen testten, kwamen de resultaten grotendeels overeen met de voorspellingen, hoewel één specifieke samenstelling een glasachtige structuur vormde in plaats van het voorspelde kristal. Ze creëerden legeringen die twintig keer sterker waren dan traditionele versies van dezelfde metalen, wat bewees dat een computermodel succesvol de creatie van real-world materialen kon sturen die nog nooit eerder waren gemaakt.

De kern van deze prestatie ligt in de manier waarop de onderzoekers de "nauwkeurigheid-prestatie-dilemma" aanpakten. In het verleden moesten wetenschappers, om de sterkte van een metaal te kennen, kiezen tussen snelheid en waarheid. Ze konden empirische krachtvelden gebruiken, wat vereenvoudigde wiskundige regels zijn die het atomaire gedrag nabootsen. Deze zijn snel genoeg om op een laptop te draaien, maar ze krijgen de details vaak fout, wat leidt tot fouten van meer dan tweehonderd procent in vergelijking met de werkelijkheid. Aan de andere kant van het spectrum stonden first-principles berekeningen, die de fundamentele vergelijkingen van de kwantummechanica oplossen voor elk afzonderlijk atoom. Deze zijn ongelooflijk accuraat, maar ze zijn zo rekenintensief dat ze alleen gebruikt kunnen worden voor minuscule, perfecte kristallen. Ze kunnen de rommelige, grootschalige defecten niet aan waar echte metalen daadwerkelijk falen. De onderzoekers realiseerden zich dat de relatie tussen de atomaire structuur en de sterkte van het materiaal een natuurwet is die bestaat, ongeacht welke berekeningsmethode wordt gebruikt. Als een computer die natuurwet uit de snelle, imperfecte data kon leren, zou hij diezelfde wet kunnen toepassen op de trage, perfecte data.

Om dit idee te testen, bouwde het team een digitale bibliotheek van metalen, inclusief veelvoorkomende zoals koper, ijzer en titanium, evenals zeldzamere elementen. Ze voerden simulaties uit met zowel de snelle, benaderende methoden als de trage, precieze methoden om te zien hoe de sterkte van deze metalen veranderde terwijl ze de atomaire rangschikkingen aanpasten. Vervolgens trainden ze een neuraal netwerk, een type kunstmatige intelligentie geïnspireerd door het menselijk brein, om het patroon te vinden dat de atomaire details met de sterkte verbindt. Het netwerk leerde de onderliggende fysica te herkennen van hoe een dislocatie door een kristal beweegt. Eenmaal getraind, kreeg het netwerk de precieze, hoogwaardige data van de trage simulaties. Omdat het netwerk de regels van het spel al had geleerd van de snelle simulaties, kon het onmiddellijk de sterkte van nieuwe materialen voorspellen met chemische nauwkeurigheid. De resultaten waren opmerkelijk. Voor kleine systemen verminderde de nieuwe methode de fout van meer dan tweehonderd procent naar minder dan vijftig procent, en voor grotere, complexere systemen varieerden de fouten van ongeveer 4% tot 48%, afhankelijk van het specifieke materiaal en het glijsysteem. De tijd die het kostte om een voorspelling te doen, was een fractie van een seconde, een snelheid die het mogelijk maakte om duizenden kandidaten in een enkele dag te screenen.

Met dit krachtige instrument in de hand richtten de onderzoekers hun aandacht op de enorme bibliotheek van bekende en theoretische kristallen. Ze concentreerden zich op het vinden van hoogsterke legeringen die over het hoofd waren gezien. De computer scande door duizenden mogelijkheden, zoekend naar combinaties waarbij de atomaire structuur de meeste weerstand zou bieden aan de beweging van die kleine bulten. Het algoritme identificeerde verschillende veelbelovende kandidaten, waaronder specifieke mengsels van koper en titanium, en aluminium en titanium. Dit waren niet zomaar willekeurige gissingen; het model voorspelde dat deze specifieke ratio's een metastabiele toestand zouden creëren, een soort atomaire rangschikking die sterk is, maar niet de meest stabiele vorm die de atomen gewoon aannemen. Dit is een cruciaal onderscheid. Traditionele metallurgie vertrouwt op het vinden van de meest stabiele toestand, wat vaak resulteert in zachtere materialen. De nieuwe aanpak suggereerde dat door de atomen in een minder stabiele, hoogenergetische rangschikking te dwingen, ze een buitengewone sterkte konden bereiken.

De laatste test was om te zien of deze computervoorspellingen de chaotische realiteit van een laboratorium zouden overleven. Het team gebruikte een techniek genaamd ionenstraaldepositie om de legeringen te bouwen. Dit proces houdt in dat ionen op een doelwit worden geschoten om atomen los te slaan en ze vervolgens op een oppervlak opvangt om laag voor laag een nieuw materiaal op te bouwen. Het is een methode die zeer hoge koelsnelheden toestaat, wat noodzakelijk is om de atomen in de door het model voorspelde metastabiele, hoogsterke toestand te vangen. Ze maakten films van koper-titanium en aluminium-titanium met composities die de model als winnaars had aangemerkt. Om de sterkte te testen, bouwden ze microscopische pilaren van het nieuwe materiaal, elk slechts enkele micrometers breed, en drukten ze samen met een kleine indenter. De resultaten waren spectaculair. De nieuwe legeringen vertoonden een sterkte die twintig keer hoger was dan traditionele legeringen met een laag oplosmiddelgehalte. Wanneer ze de materialen onder een krachtige elektronenmicroscoop bekeken, zagen ze dat de sterkte voortkwam uit de manier waarop de dislocaties door het kristal bewogen, precies zoals het physics-transfer model had voorspeld voor de succesvolle kristallijne monsters. Echter, voor één specifieke legering, Cu4Ti, leidde de beperking van de depositietechniek tot een glasachtige structuur die de verwachte hoge sterkte niet vertoonde, wat benadrukt dat de weg van voorspelling naar productie nog steeds complex is. De materialen die wel als kristallen werden gevormd, braken niet als glas; ze bogen en stroomden, wat bewees dat het echte metalen met verbeterde eigenschappen waren.

Het succes van dit project gaat verder dan alleen het maken van sterkere metalen. Het demonstreert een nieuwe manier van wetenschap bedrijven die de kloof tussen theorie en experiment overbrugt. Door een computer te leren de natuurwetten te begrijpen die materialen beheersen, in plaats van alleen datapunten te memoriseren, creëerden de onderzoekers een instrument dat kan generaliseren naar materialen die het nog nooit heeft gezien. Ze lieten zien dat de fysica geleerd van het ene type simulatie kan worden overgedragen naar een ander, waardoor voorspellingen mogelijk worden die zowel snel als accuraat zijn. Deze aanpak opent de deur naar het verkennen van een veel breder scala aan materialen, inclusief die welke moeilijk te synthetiseren zijn of die alleen in theoretische databases bestaan. De onderzoekers merkten op dat hoewel hun methode succesvol hoogsterke kandidaten identificeerde, de feitelijke fabricage geavanceerde technieken vereiste om deze materialen te stabiliseren. Niet elke voorspelling resulteerde in een perfect kristal; sommige pogingen leidden tot glasachtige structuren die de verwachte sterkte niet vertoonden, wat benadrukt dat de weg van voorspelling naar productie nog steeds complex is. Echter, het vermogen om de zoektocht te verkleinen van miljoenen mogelijkheden tot een handvol levensvatbare kandidaten is een enorme sprong voorwaarts.

Dit werk suggereert dat de toekomst van materiaaldestructie zal rusten op een partnerschap tussen menselijk inzicht en machine learning. De onderzoekers vervingen niet de noodzaak voor fysieke experimenten of diep theoretisch begrip. In plaats daarvan gebruikten ze kunstmatige intelligentie om te vertalen tussen de verschillende schalen van de fysica, waardoor ze verbindingen konden zien die voorheen verborgen bleven door de beperkingen van computationele kracht. Ze bewezen dat het mogelijk is om te zoeken naar hoogsterke legeringen met een niveau van precisie dat voorheen was voorbehouden aan de meest dure en tijdrovende simulaties. Het resultaat is een nieuwe klasse materialen, zoals de koper-titanium en aluminium-titanium legeringen, die klaar zijn om getest te worden in real-world toepassingen. Naarmate het vakgebied vooruitgaat, zou dit physics-transfer framework toegepast kunnen worden op andere complexe problemen in de wetenschap, wat helpt bij het oplossen van de nauwkeurigheid-prestatie-dilemma in gebieden variërend van energieopslag tot medicijnontwerp. De studie staat als een duidelijke demonstratie van wat er gebeurt wanneer we machines de regels van de fysieke wereld leren: ze kunnen ons helpen een sterker en veerkrachtiger toekomst op te bouwen.