Havacılık, enerji ve bilişim alanlarında çalışan şirketler, performansı artırmak için sürekli olarak yeni malzemeler arayışındadır. Ancak bu malzemelerin roketlerin içinde veya bilgisayar çiplerinde nasıl davranacağını anlamak için, şirketlerin önce malzemeyi üretmesi ve ardından test etmesi gerekmektedir. Bunun nedeni, en güçlü simülasyon tekniklerinin bile günümüzün çoğu katı malzemesindeki karmaşık kimyasal düzenlemeleri modellemede zorlanmasıdır. Bu sorun, malzeme inovasyonuna maliyet ve zaman eklemektedir.
Şimdi MIT araştırmacılarından oluşan bir ekip, metallerin davranışını kimyasal düzenlemelerinin karmaşıklığından bağımsız olarak doğru bir şekilde modellemenin bir yolunu geliştirdi. Bu yaklaşımın merkezinde, malzeme simülasyonlarını daha hızlı ve daha doğru hale getiren makine öğrenimi modelleri bulunmaktadır. Araştırmacılar, kimyasal olarak düzensiz malzemelerde atomik ortamların çeşitliliğini yakalayan eğitim veri setleri oluşturarak bu modelleri geliştirdiler.
Yeni bir makalede Sciences Advances, araştırmacılar, yaklaşımlarının çeşitli koşullar altında farklı metal alaşımlarının malzeme özelliklerini doğru bir şekilde tahmin etmek için kullanılabileceğini gösterdiler. Ayrıca, bu yaklaşımın deneylerin pahalı olduğu senaryolar için yeni malzemeler geliştirmek amacıyla nasıl kullanılabileceğini de gösterdiler.
“Makalenin odak noktası metal alaşımlarıdır, bu benim çalıştığım alandır, ancak bu yaklaşım yarı iletkenler gibi diğer malzeme türlerine de uyarlanabilir,” diyor kıdemli yazar Rodrigo Freitas, MIT'nin Malzeme Bilimi ve Mühendisliği TDK Kariyer Geliştirme Profesörü. “Bu, herhangi bir uygulamaya özgü değildir — bu yaklaşımı yeni sürdürülebilir çelikler, havacılık için yeni malzemeler ve daha fazlasını yaratmak için kullanabilirsiniz. İşte bu, bunu heyecan verici kılan şey.”
Freitas’a makalede ilk yazar Killian Sheriff PhD ’26; MIT doktora öğrencileri Daniel Xiao ve Yifan Cao; ve Sheffield Üniversitesi Kıdemli Öğretim Üyesi Lewis R. Owen eşlik ediyor.
Metalleri modelleme
Malzeme özellikleri genellikle kimyasal elementlerinin iç düzenlemesi tarafından belirlenir. İki malzeme aynı kimyasal element karışımına sahip olsa bile, farklı kimyasal düzenlemeler kırılgan bir malzeme ile deformasyona uğramadan şekil alan bir malzeme arasındaki farkı yaratabilir.
Bu ayrımı yakalamak, malzemeleri atom atom simüle etmeyi gerektirir. Bunu yapmak için araştırmacılar, atomların birbirleriyle nasıl etkileşimde bulunduğunu tanımlayan modellere güvenmektedir. Son yirmi yılda, makine öğrenimi bu modelleri oluşturmanın en doğru yolu haline gelmiştir. Bu tür modeller, malzemelerin içindeki kimyasal düzenlemelerin yüksek derecede düzenli kalıpları takip ettiği durumlarda iyi çalışır, ancak çoğu katı malzemenin atomik kimyasal düzenlemeleri düzensizdir ve bir bölgeden diğerine değişir.
“Alanımızdaki gerçek zorluk, bu kimyasal olarak düzensiz fazları modellemektir,” diyor Freitas. “Kimyasal düzensizlik, yerel kimyasal ortamların büyük bir çeşitliliği olduğu anlamına gelir, bu da makine öğrenimi modelinin öğrenmesi için zordur. Bu bir sorun çünkü pratikte kullandığımız her metal kimyasal olarak düzensizdir.”
Sorun, bu atom atom simülasyonları için temsil edici eğitim verilerinin eksikliğine dayanıyor. Bu tür verileri oluşturmanın mevcut önde gelen yaklaşımı, genellikle tek bir malzeme için eğitim verilerini oluşturmak için 100,000 saatten fazla hesaplama gerektiren zorlayıcı bir yöntemle çalışmaktadır. O zaman bile, araştırmacılar malzemenin bileşimini değiştirdiğinde iyi bir şekilde transfer edilmez.
Önceki çalışmalarda, Freitas’ın grubu katı malzemelerin kimyasal karmaşıklığını, atomların küçük gruplarının sıklığını ve aralığını analiz ederek ölçmenin bir yolunu geliştirmişti. Bu çalışmada, araştırmacılar bu yeteneği daha iyi eğitim veri setleri oluşturmak için kullandılar. Düzensiz malzemelerin içindeki yerel kimyasal ortamların daha geniş bir çeşitliliğini yakalamak için bilgi teorisi olarak bilinen matematiksel bir yaklaşım kullandılar. Yöntem, tekrarları azaltmak ve modeli başka türlü kaçırabileceği kimyasal ortamlara maruz bırakmak için örneklerden atomları değiştirmeyi içerir.
“Eğitim setini optimize etmeye devam ettik, böylece mümkün olduğunca çok farklı yerel ortamı yakalayabildik,” diyor Freitas. “Aynı tür ortam birçok kez ortaya çıkarsa, modelin daha
