Retrainable physics-integrated neural differentiable modeling of sintering across material systems

Keramiek zijn de stille werkpaarden van de moderne technologie, te vinden in alles van de isolatoren op hoogspanningslijnen tot de componenten in straalmotoren en de chips in onze computers. Om deze materialen bruikbaar te maken, moeten fabrikanten losse poeders omzetten in solide, dichte blokken via een proces dat sinteren wordt genoemd. Stel je voor dat je een hoop fijn zand neemt en dit verhit totdat de individuele korrels samensmelten, waarbij de tussenruimtes tussen hen krimpen om één enkel, sterk stuk te vormen. Dit verhittingsproces is een delicaat evenwicht. Terwijl het materiaal opwarmt, verdwijnen de minuscule poriën tussen de korrels, waardoor het object dichter en sterker wordt. Tegelijkertijd worden de korrels zelf groter en versmelten ze met hun buren. Als de korrels te veel groeien, kunnen ze de resterende poriën erin opsluiten, waardoor het materiaal zwak en poreus wordt. Als ze niet genoeg groeien, bereikt het materiaal misschien niet zijn volledige sterkte. Decennialang hebben ingenieurs moeten vertrouwen op trial-and-error, waarbij ze talloze ovenproeven moesten uitvoeren om de perfecte temperatuur en tijd voor elk specifiek type keramiek te vinden, omdat het extreem moeilijk is om precies te voorspellen hoe een materiaal zich zal gedragen.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om dit puzzelstuk op te lossen, namelijk de creatie van een digitale tool die kan voorspellen hoe verschillende keramieken zich zullen gedragen tijdens het sinteren zonder dat er eerst een enkele fysieke experiment uitgevoerd hoeft te worden. De tool, die ze Sinter-PiNDiff noemen, werkt als een slimme gids die leert van beperkte data om de complexe dans van krimpen en groeien te begrijpen die zich binnenin de oven afspeelt. In tegenstelling tot oudere computermodellen die een enorme hoeveelheid specifieke data nodig hebben voor elk afzonderlijk materiaal, of eenvoudige machine learning-programma's die proberen de uitkomst te raden zonder de onderliggende fysica te begrijpen, combineert deze nieuwe aanpak de twee. Het gebruikt de bekende wetten van hoe materialen krimpen en groeien, maar laat een computerprogramma de specifieke details leren voor elk nieuw materiaal dat het tegenkomt. De onderzoekers testten dit systeem op drie zeer verschillende soorten keramiek: magnesiumoxide, aluminium-gedoteerd zinkoxide en calcium-gedoteerd thoriumoxide. Deze materialen hebben verschillende chemische samenstellingen en gedragen zich op een eigen manier, maar hetzelfde digitale framework was in staat om hun gedrag in elk geval nauwkeurig te leren en te voorspellen.

De kern van deze prestatie ligt in de manier waarop het systeem de relatie tussen dichtheid en korrelgrootte afhandelt. In de echte wereld verandert de manier waarop de korrels groeien naarmate een keramisch onderdeel dichter wordt, en de groei van de korrels beïnvloedt op zijn beurt hoe snel het onderdeel dichter kan worden. Het nieuwe model legt dit tweerichtingsverkeer vast. Het gebruikt een reeks vergelijkingen die de algemene regels van sinteren beschrijven, maar vult de ontbrekende stukjes aan met een neuraal netwerk — een type kunstmatige intelligentie dat patronen kan leren van data. Terwijl de computer het verhittingsproces stap voor stap simuleert, werkt hij zijn voorspellingen voortdurend bij op basis van de huidige staat van het materiaal. Als het materiaal dichter wordt, past het model zijn verwachtingen voor de korrelgroei aan, en vice versa. Hierdoor kan het systeem de specifieke "persoonlijkheid" van een materiaal leren, zoals hoe snel het verdicht of hoeveel de korrels groeien bij een bepaalde temperatuur, met behulp van slechts enkele verspreide metingen uit eerdere experimenten.

Toen de onderzoekers hun model op de proef stelden, presteerde het beter dan andere veelvoorkomende computermethoden. Ze vergeleken hun resultaten met twee andere soorten kunstmatige intelligentie: één die simpelweg probeert een lijn door de datapunten te trekken zonder het proces te begrijpen, en een andere die probeert de veranderingssnelheid bij elke stap te leren. Het nieuwe model was nauwkeuriger in het voorspellen van zowel de uiteindelijke dichtheid als de uiteindelijke korrelgrootte voor alle drie de materialen. Voor magnesiumoxide voorspelde het model de dichtheid met een fout van ongeveer 14,6 procent en de korrelgrootte met een fout van ongeveer 8,6 procent. Voor het aluminium-gedoteerde zinkoxide was de dichtheidsfout zelfs lager, op 10,8 procent, en voor het calcium-gedoteerde thoriumoxide was de fout 14,4 procent. Deze cijfers zijn significant omdat ze aantonen dat het model goed kan generaliseren, waardoor het ook voor temperaturen en chemische samenstellingen die het nog nooit eerder heeft gezien, nauwkeurige voorspellingen kan doen. Toen het bijvoorbeeld werd gevraagd om het gedrag van een materiaal met een hoge concentratie calcium te voorspellen dat niet deel uitmaakte van de trainingsdata, gaf het model nog steeds een nutzame schatting, hoewel het er terecht bij vermeldde dat het minder zeker was over dit specifieke geval.

De studie onthulde ook dat het voeden van het model met informatie over de huidige dichtheid van het materiaal cruciaal was voor het succes ervan. Wanneer de onderzoekers dit stuk informatie verwijderden, waardoor het model de invloed van de dichtheid moest raden zonder deze daadwerkelijk te kennen, werden de voorspellingen minder nauwkeurig. Dit bevestigt dat de veranderende staat van het materiaal een belangrijke drijfveer van het proces is en dat het model de evolutie van het materiaal moet "zien" om goede voorspellingen te doen. Het systeem bevat ook een manier om aan te geven hoe zeker het is van zijn antwoorden. Door de simulatie meerdere keren uit te voeren met licht verschillende startpunten, produceert het model een reeks mogelijke uitkomsten. Wanneer de data schaars is of de omstandigheden sterk afwijken van wat het eerder heeft gezien, wordt deze reeks breder, wat de gebruiker waarschuwt dat de voorspelling minder zeker is. Dit kenmerk is essentieel voor ingenieurs, omdat het hen precies vertelt waar ze mogelijk een nieuw fysiek experiment moeten uitvoeren om betere data te verkrijgen.

Uiteindelijk biedt dit werk een praktisch pad voor het ontwerpen van betere keramieken. In plaats van te vertrouwen op dure en tijdrovende ovenproeven om de juiste instellingen voor een nieuw materiaal te bepalen, kunnen ingenieurs deze tool gebruiken om de mogelijkheden snel in te perken. Het model kan suggereren welke temperaturen en tijden waarschijnlijk de sterkste, dichtste onderdelen zullen produceren, en het kan de punten markeren die te riskant zijn om zonder meer data te gokken. Hoewel het model geen kristallen bol is die elk microscopisch detail kan voorspellen, biedt het een betrouwbare, op fysica gebaseerde kaart voor het navigeren door de complexe wereld van keramische productie. Door de betrouwbaarheid van natuurwetten te combineren met de flexibiliteit van machine learning, hebben de onderzoekers een tool gecreëerd die kan worden hertraind voor nieuwe materialen, wat de weg vrijmaakt voor een snellere ontwikkeling van de geavanceerde keramieken die nodig zijn voor energie-, elektronica- en structurele toepassingen.