Pesquisadores da Universidade de Illinois desenvolveram um método mais rápido e perspicaz para modelar a difusão em ligas usando “kinosons” e aprendizado de máquina, revolucionando potencialmente a forma como esse processo crítico é compreendido e estudado. Crédito: SciTechDaily.com
Pesquisadores da Universidade de Illinois Urbana-Champaign redefiniram a difusão em ligas multicomponentes, dividindo-a em elementos separados que eles chamam de “kinosons”. Empregando aprendizado de máquinaeles analisaram a distribuição estatística desses elementos, permitindo-lhes modelar o Liga e determinar sua difusividade com muito mais eficiência do que calculando trajetórias inteiras. Suas descobertas foram publicadas recentemente na revista Cartas de revisão física.
“Encontramos uma maneira muito mais eficiente de calcular a difusão em sólidos e, ao mesmo tempo, aprendemos mais sobre os processos fundamentais de difusão nesse mesmo sistema”, diz o professor de ciência e engenharia de materiais Dallas Trinkle, que liderou este trabalho, junto com o estudante de pós-graduação Soham Chattopadhyay.
A difusão em sólidos é o processo pelo qual os átomos se movem por um material. A produção de aço, a movimentação de íons através de uma bateria e a dopagem de dispositivos semicondutores são coisas controladas por difusão.
Desafios na Simulação de Difusão
Aqui, a equipe modelou a difusão em ligas multicomponentes, que são metais compostos por cinco elementos diferentes – manganês, cobalto, cromo, ferro e níquel nesta pesquisa – em quantidades iguais. Esses tipos de ligas são interessantes porque uma maneira de fazer materiais fortes é adicionar diferentes elementos, como adicionar carbono e ferro para fazer aço. Ligas multicomponentes possuem propriedades únicas, como bom comportamento mecânico e estabilidade em altas temperaturas, por isso é importante entender como os átomos se difundem nesses materiais.
Uma série de “estados” (pontos) conectados com “transições” (linhas) em um sistema complexo. Pontos maiores correspondem a estados onde mais tempo é gasto durante a simulação, linhas mais grossas para transições mais rápidas. Observar trajetórias longas com muitos saltos exige muito esforço computacional; o modelo de aprendizado de máquina converte este sistema (esquerda) em um equivalente que tem o mesmo comportamento de difusividade, mas onde o cálculo da difusão é muito mais simples (direita). No sistema não correlacionado, cada salto corresponde a um “kinoson”, uma pequena contribuição para a difusão e a soma de todos os quinosons dá a difusividade. Crédito: Grainger College of Engineering da Universidade de Illinois Urbana-Champaign
Para se ter uma boa visão da difusão, são necessárias longas escalas de tempo, uma vez que os átomos se movem aleatoriamente e, com o tempo, seu deslocamento em relação ao ponto inicial aumentará. “Se alguém tenta simular a difusão, é uma dor porque é preciso executar a simulação por muito tempo para obter a imagem completa”, diz Trinkle. “Isso realmente limita muitas das maneiras pelas quais podemos estudar a difusão. Métodos mais precisos para calcular taxas de transição muitas vezes não podem ser usados porque você não seria capaz de executar etapas suficientes de uma simulação para obter a trajetória de longo prazo e obter um valor razoável de difusão.”
Um átomo pode pular para a esquerda, mas depois pode pular de volta para a direita. Nesse caso, o átomo não se moveu para lugar nenhum. Agora, digamos que ele salta para a esquerda, então 1000 outras coisas acontecem e então ele salta de volta para a direita. Esse é o mesmo efeito. Trinkle diz: “Chamamos isso de correlação porque em determinado momento o átomo deu um salto e depois desfez esse salto. É isso que torna a difusão complicada. Quando olhamos como o aprendizado de máquina está resolvendo o problema, o que ele realmente está fazendo é transformar o problema em um onde não há nenhum desses saltos correlacionados.”
Simplificando a difusão com aprendizado de máquina
Portanto, qualquer salto que um átomo dá contribui para a difusão e o problema fica muito mais fácil de resolver. “Chamamos esses saltos de kinosons, para pequenos movimentos”, diz Trinkle. “Mostramos que você pode extrair a distribuição deles, a probabilidade de ver um Kinoson de uma certa magnitude, e somar todos eles para obter a verdadeira difusividade. Além disso, você pode dizer como diferentes elementos estão se difundindo em um sólido.”
Outra vantagem da modelagem de difusão usando kinosons e aprendizado de máquina é que ela é significativamente mais rápida do que calcular trajetórias inteiras de longa escala. Trinkle diz que com este método, as simulações podem ser feitas 100 vezes mais rápido do que seria necessário com os métodos normais.
“Acho que este método vai realmente mudar a forma como pensamos sobre a difusão”, diz ele. “É uma forma diferente de encarar o problema e espero que nos próximos 10 anos esta seja a forma padrão de encarar a difusão. Para mim, uma das coisas interessantes não é apenas que ele funciona mais rápido, mas também que você aprende mais sobre o que está acontecendo no sistema.”
Referência: “Contribuições para a difusão em materiais complexos quantificados com aprendizado de máquina” por Soham Chattopadhyay e Dallas R. Trinkle, 30 de abril de 2024, Cartas de revisão física.
DOI: 10.1103/PhysRevLett.132.186301
Esta pesquisa foi financiada pela National Science Foundation no âmbito do Programa NO MPS-1940303.
