Systematic and accurate anharmonic formation free energies of metastable defects via a constrained Bayesian Adaptive Biasing Force framework

In de onzichtbare wereld van atomen zijn materialen nooit perfect stil. Zelfs in een massief blok metaal trillen atomen, botsen ze tegen elkaar en wisselen ze af en toe van plaats. Wanneer een materiaal wordt beschadigd door straling of extreme hitte, ontstaan er kleine imperfecties die defecten worden genoemd. Dit zijn niet alleen gaten of ontbrekende stukken; het zijn complexe herschikkingen waarbij atomen zich opstapelen of juist gaten achterlaten. Wetenschappers weten al lang dat om te voorspellen hoe een materiaal zich onder spanning zal gedragen, zij de energie van deze defecten moeten begrijpen. Het berekenen van deze energie is echter berucht moeilijk omdat de atomen niet in eenvoudige, voorspelbare patronen trillen. In plaats daarvan zijn hun bewegingen chaotisch en onderling verbonden, een fenomeen dat bekend staat als anharmoniciteit. Bovendien zijn veel van deze defecten metastabiel, wat betekent dat ze in een tijdelijke, precair toestand vastzitten die gemakkelijk kan instorten in iets anders als de atomen slechts een klein beetje te ver bewegen. Decennialang heeft deze complexiteit onderzoekers ervan weerhouden een volledige bibliotheek op te bouren van hoe deze defecten zich gedragen bij verschillende temperaturen, wat een gat heeft geslagen in ons vermogen om materialen te ontwerpen voor kernreactoren of ruimteverkenning.

Een team onderzoekers aan de Université Paris-Saclay heeft nu een praktische manier ontwikkeld om dit probleem op te lossen. Ze hebben een computationeel kader gecreëerd dat de vormingsvrije energie van deze onstabiele defecten nauwkeurig kan meten zonder het overzicht over hen te verliezen. In hun studie richtten zij zich op ijzer, een materiaal dat cruciaal is voor kernenergie, en onderzochten zij duizenden verschillende manieren waarop vier extra ijzeratomen samen konden klonteren, evenals hoe vier ontbrekende atomen (vacatures) zichzelf konden arrangeren. De uitdaging was dat standaard computersimulaties hier vaak falen: naarmate de temperatuur stijgt, trillen de atomen zo heftig dat ze ontsnappen aan de specifieke defectvorm die de wetenschappers proberen te bestuderen, waardoor de berekening instort in een andere, ongerelateerde toestand. De onderzoekers overwonnen dit door een methode te gebruiken genaamd 'constrained Bayesian Adaptive Biasing Force'. Deze techniek werkt als een zachte, onzichtbare gids die de atomen binnen de grenzen van de specifieke defectvorm houdt die ze onderzoeken, terwijl er wiskundig wordt gecorrigeerd voor het feit dat de atomen werden tegengehouden. Hierdoor kan de computer de chaotische, hoogtemperatuurtrillingen van de atomen simuleren zonder dat het defect uit elkaar valt.

De resultaten van dit werk vormen een enorme, systematische database van energiewaarden voor honderden verschillende defectconfiguraties. De onderzoekers testten hun methode met behulp van twee verschillende soorten wiskundige modellen voor hoe atomen met elkaar interageren: een traditioneel model dat al jarenlang wordt gebruikt en een nieuwer, datagestuurd model gebaseerd op machine learning. Ze ontdekten dat het traditionele model energie-landschappen produceerde die ruw en onregelmatig waren, wat het moeilijk maakte om consistente resultaten te krijgen, vooral bij hogere temperaturen. In contrast hiermee bood het machine learning-model een veel vloeiender landschap, waardoor de methode met uitzonderlijke stabiliteit en precisie kon werken. Het team voerde duizenden onafhankelijke berekeningen uit, over een breed scala aan temperaturen, en stelde vast dat hun methode in minder dan één procent van de gevallen faalde. Dit niveau van betrouwbaarheid is ongekend voor systemen van deze omvang, die ongeveer duizend atomen bevatten. Ze bereikten een nauwkeurigheid waarbij de onzekerheid in hun energiemetingen minder is dan één-duizendste van een elektronvolt per atoom, een precisie die vereist is om realistische voorspellingen te doen over de stabiliteit van materialen.

Misschien wel het belangrijkste is dat de studie een diepe connectie onthulde tussen de eenvoud van de vorm van een defect en de complexiteit van de energie ervan. De onderzoekers ontdekten dat het chaotische gedrag van de atomen bij hoge temperaturen met verrassende nauwkeurigheid voorspeld kon worden door enkel te kijken naar de eenvoudigere trillingen van het defect bij lage temperaturen. Dit suggereert dat de complexe, rommelige realiteit van atomaire beweging bij hoge hitte niet geheel willekeurig is, maar in plaats daarvan een opgeschaalde versie is van de eenvoudigere patronen die bij lagere temperaturen worden waargenomen. Dit opent de deur naar het gebruik van eenvoudigere, snellere berekeningen om het gedrag van defecten onder extreme omstandigheden in te schatten. Door te bewijzen dat deze geconstreinde methode betrouwbaar werkt over duizenden verschillende defectvormen en twee verschillende soorten atomaire modellen, hebben de onderzoekers een algemeen instrument geleverd dat op bijna elk materiaal toegepast kan worden. Dit werk verwijdert een belangrijke flessenhals in de materiaalkunde en biedt een duidelijk pad naar het begrijpen van hoe de kleinste imperfecties in een materiaal de sterkte en duurzaamheid in de meest barre omgevingen bepalen.