הקדמה ל- Ultra-High-Temperature Ceramics

קרמיקה אולטרה-גבוהה (UHTCs) מייצגת מעמד של חומרים ריבאוטוריים שמראים את השלמות המבנית בטמפרטורות מעל 2,000 מעלות צלזיוס. חומרים אלה הם הכרחיים ביישומים קיצוניים כגון hypersonic מכוניות מובילים, צינורות קטנטנים, נזלת רקטות, ציפוי כור גרעיני ואלקטרודות בטמפרטורה גבוהה.

עיצוב מסורתי של UHTCs התבסס רבות על הניסוי הניסויים-וטרור, מונחה על ידי אינטואיציה תרמודינמית וכללים אמפיריים.גישה זו היא איטית, יקרה, ולעתים קרובות אינה מצליחה לחקור את הנוף העצום של הרכב זמין.מחזור ניסיוני יחיד - סינתזזה, אפיון וערכת נכסים - יכול לקחת שבועות או חודשים. עם הביקוש הגובר לחומרים המבוצעים באופן אמין בטמפרטורות גבוהות יותר, החומרים המדעיים האלה הפכו את החיזוי שיטות למידה מורכבות (מערכת למידה) לחיזוי שיטות למידה מורכבות של שיטות למידה מורכבות.

מאמר זה בוחן כיצד למידת מכונה מעצבת מחדש את העיצוב של קרמיקה אולטרה-גבוהה של זמן רב.אנחנו חוקרים את המאפיינים הבסיסיים של UHTCs, עקרונות של חומרים מונעים על ידי ML, את זרימת העבודה הספציפית המשמשת כדי להכשיר מודלים חיזוייים, ואת ההשפעה של העולם האמיתי על פיתוח חומרים פורצי-דור הבא.על ידי אלגוריתמים מונעים נתונים עם ידע, החוקרים מסוגלים כעת למסך של אלפי תרכובות חומרים מטבוליים לפני התפתחות חומרים מטבולית.

מה הופך את אולטרה-גבוה Ceramics ייחודי

UHTCs יש שילוב נדיר של תכונות שמקורן קשרים קוהרנטיים חזקים וטוניים בתוך הצמיגים הקריסטליים שלהם.

  • (ב) ⁇ :0) ,Extreme נמס נקודות מחץ 1 (הראשונה ל-UHTCs) רבים נמסים מעל 3,000 מעלות צלזיוס, עם קרביד ה-fnium ו-Tetum carbide מעל 3,900°C.
  • (ב) ,0) קשיחות גבוהה ומודולולוציית מספר 1: חומרים אלה הם בין הידועים ביותר, מה שהופך אותם עמידים לשחיקה וללבוש.
  • (ב) ⁇ :0) התנהגות תרמית מותאמת (FLT:1), במיוחד עבור בורידים, אשר יכול לנהל חום ביעילות כמו כמה מתכות.
  • (FLT:0) אוקסידציה התנגדות FLT:1 - כאשר נחשפים לחמצן בטמפרטורות גבוהות, רבים UHTCs יוצרים סקאלה תחמוצת מגן שמפחיתה עוד השפלה.

עם זאת, היתרונות האלה באים עם עסקאות.הרבה UHTCs קשה לחטוא לדחיסות מלאה ללא תוספים, הם לעתים קרובות מתפתלים, והתנגדות ההלם התרמית שלהם יכולה להיות עניה. יתר על כן, התנאים הקיצוניים שבהם הם חייבים לבצע - כגון עומס תרמי, מכני וכימיקלי של החזרה אטמוספירית - דרישה כי עיצוב חומרים מייעלים במקביל, לעתים קרובות תכונות מתחרות.

האסטרטגיה המסורתית לשיפור UHTCs הייתה לעשות או לסגסוגת אותם עם שלבים משניים, אבל עם עשרות אלמנטים פוטנציאליים ומאות של סטוכמטים אפשריים, חלל העיצוב הופך במהירות לא עקבי.זה המקום שבו למידת מכונה מראה את ההבטחה הגדולה ביותר שלה: על ידי למידה מהנתונים הניסוייים העבר, מודלים ML יכולים לזהות אילו שילובים אלמנטריים ופרמטרי עיבוד הם כנראה להניב חומר שעומד בפני ביצועים ניתנים של מטרות.

Machine Learning in Materials Science: An Review

למידת מכונה, תת-קבוצה של אינטליגנציה מלאכותית, כוללת אלגוריתמים שמשפרים את הביצועים שלהם על משימה באמצעות ניסיון (נתונים) במדעי החומרים, אלגוריתמים אלה לומדים למפות חומרים תיאוריים – כגון הרכב, מבנה גבישי ומאפיינים הקשורים – לנכסים – כמו טמפרטורה נמסת, קשיחות או oxidation Rate. Common טכניקות ML המשמשות בתחום זה כוללות:

  • (FLT:0) יערות ו ⁇ מגבירים את ⁇ FLT:1) - שיטות רבות לבנות עצי החלטות רבים וממוצע התחזיות שלהם.הם מטפלים במערכות יחסים לא לינאריות היטב ודורשים כוונון היפר-פרפרפרמטר קטן יחסית.
  • (FLT:0) מכונות וקטורליות וקטורליות (Virve) 1:1 - יעיל עבור נתונים קטנים לנתיום, במיוחד כאשר היחסים בין תכונות ומטרות הם חלק.
  • רשתות אלקטרוניקה:0 (כולל למידה עמוקה) ראט" 1 (ראו מחיאות כפיים) יכולות ללכוד אינטראקציות מורכבות מאוד, אך דורשות מספריות גדולות וסדירזציה זהירה.
  • (ב) תהליך התוקפנות של גלוסיאן (FLT:0) ,(ה) ,(ה) לא רק תחזיות אלא גם הערכות אי הוודאות, אשר הוא בעל ערך להובלת ניסויים (למידה פעילה).

הצלחת מודל ML תלויה במידה רבה באיכות ובכמות נתוני האימון, בחירתם של תיאוריים (מבנים), והרלוונטיות של הנכס הצפויה.עבור UHTCs, מסדי נתונים מחוסנים כמו פרויקט החומרים, AFLOW, ו- NOMAD מספקים נתונים נרחבים על מבנים גבישיים ונכסים בסיסיים.

זרימת עבודה טיפוסית של ML בחומרים עיצוב מתקדם כדלקמן: (1) להרכיב את הנתונים, (2) נקי ומעבד את הנתונים, (3) בחירת או מהנדס תכונות וקטור (למשל, תכונות אלמנטליות כמו אלקטרוליטנטיות, רדיוס אטומי ו ספירת אלקטרון valence), (4) רכבת ואימות מודלים מרובים, להעריך את המודל הטוב ביותר על מבחן מוחזקים, ולהשתמש במודל זה כדי לחזות תכונות ניסיוניות עבור לולאות חדשות, ולאחר מכן כדי לשפר את הגרסאות קודמות.

יישום Machine Learning to the Design of UHTCs

מקורות נתונים והנדסת תכונות

בניית מודל ML אמין עבור UHTCs מתחיל עם סט נתונים חזק. חוקרים בדרך כלל לאסוף נתונים משלושה מקורות: תיאוריה פונקציונלית צפיפות (DFT) חישובים, מסעות ניסיוניים של כלי גבוה, ו כריית ספרות היסטורית. עבור UHTCs, נכסים מקובצים כגון היווצרות אנרגיה, קבועות גמישות, ו peon spectra משמשים נרחב כי הם יכולים להיווצר באופן שיטתי נתונים, למרות שבקושי מספק תכונות עבור הדבקה מדויקת, כגון עמידות, כי הם רגישים במדויק, כי הם התנגדות.

הנדסה תכונה היא קריטית. Rawקומפוזיציה (למשל, HfC0.98) אינה אינפורמטיבי ישירות לאלגוריתם ML.במקום, כל תרכובת מיוצגת על ידי וקטור של תכונות אלמנטליות.תכונות נפוצות כוללות את אלקטרוליטנטיות הממוצעת, מספר אטומי, רדיוס אטומי, נקודת היתוך של אלמנטים טהורים, מספר קבוצתי, ונכסים הנגזרים מן המבנה קריסטל (כגון מספר תיאום ואורך האג"ח, עבור תכונות תא אלקטרוניות, או מספר מיוחד.

דוגמה בולטת לגילוי UHTC מונע ML היא העבודה של קאופמן et al. (2020), שהשתמש במודל יער אקראי מאומן על נתונים DFT כדי לחזות את מוליכות תרמית של מעל 400 מועמדים בעלי תחלואה גבוהה, כולל רבים UHTC יצירות שלהם זיהה חומרים חדשים עם התאמות תרמיות 30–50% גבוה יותר מאשר קריטריונים קיימים, מאוחר יותר הניסויי כי ניתן לנווט ביעילות את החלל הגדול של NVPpjpation (Fervateed).

תחזית Key Properties

התכונות הקריטיות ביותר עבור עיצוב UHTC הן טמפרטורה ממיסת, עמידות חמצון, וכוח עתיר גבוה.כל אחד מציג אתגרים ייחודיים לחיזוי ML.

  • (FLT:0) מטמפרטורת המפנה: 1FLT בשעה DFT יכול לחשב אנרגיות היווצרות, נקודות התכה מופרכות לעתים קרובות מיחסים אמפיריים או דינמיקות מולקולריות. ML מודלים מאומן על נקודות התכה ניסיוניות (בשיתוף עם מפיץ אנרגיה קוהרסיבית ומודולוסים מרובים) יכול לחזות טמפרטורות עם דיוק טוב.מודל על ידי Seko al et al.
  • (FLT:0) אוקסידציה התנגדות: 1) התנהגות Oxidation מורכב יותר כי זה תלוי מנגנוני תחבורה באמצעות קומפקטית קומפקטית ML מודלים באמצעות תכונות כמו מזהמים דיפוזיה של חמצן ואת יחס ה- Pilling-Bedworth של תחמוצת ה- oxide יכול להציע דירוגים איכותיים, אם כי חיזוי מדויק נשאר אזור מחקר פעיל.
  • (FLT:0) תכונות מכניות: FLT:1 קשיחות וקשידות שבר צפויים באמצעות תיאוריים הקשורים לכוח האג"ח ומבנה גבישי.לדוגמה, את המודולולים העיקריים של UHTCs מתאמים מאוד עם צפיפות אלקטרו-ספירה של valence, תכונה מחושבת בקלות מן הרכב.

מחקר: High-Entropy Ultra- High-Temperature Ceramics

אחת ההתפתחויות המרגשות ביותר במחקר UHTC היא הופעתה של קרמיקה גבוהה (HECs) - חומרים המכילים 5 או יותר צלקות עיקריות בפרופורציות קרוב-הקווימולר.שילוב של אלמנטים מרובים יכול להוביל לנכסים ייחודיים כמו קשיחות מוגברת ו מוליכות תרמית מופחתת.עם זאת, המרחב העיצוב עבור HECs הוא גדול אסטרונומית הפך כלי חיוני עבור הקרנה מבטיחה.

במחקר שנערך בשנת 2021, חוקרים מאוניברסיטת קליפורניה, סן דייגו ומשתפי פעולה השתמשו ברשת עצבית כדי לחזות את האנרגיה של היווצרות של מעבר (חמש-שותף) מעבר מתכת נגרים, כולל יצירות המכילות Hf, Ta, Zr. הדגם הוכשר על נתונים DFT עבור מעל 500 ternary ו quaternary carbides ולאחר מכן משמש ל- 10,000 צבועים צבועים ניסיוניים של ה-HFEECEES (המכונה: 10DFS) תחזיות של ה-DFS (הידועות) הצליחו לזהות את ה-DFDFDFS) באופן מוצלחות של 10DFDFDFDFDFDFDFDFDFDFEECIRDFS) של למעלה מ-DFEECIRDFS (מבנים).

יתרונות ומגבלות של עיצוב UHTC

יתרונות

  • (FLT:0Speed:03:03: ML מודלים) ML יכולים להעריך אלפי יצירות בשניות, בעוד סינתזה ניסיונית עשויה לדרוש שבועות לדגימה.
  • (הפחתת ההפחתה:0) בהתמקדות במשאבים ניסיוניים רק במועמדים המבטיחים ביותר, עלויות המחקר הכללי יורדות באופן דרמטי.
  • (FLT:0) Novelty: ML 1 יכול לזהות יצירות שאינן אינטואיטיביות שייתכן שלעולם לא ייחשבו באמצעות היוריסטים, כגון שלבים מחוץ לסטוכמטריים או דופינטים בריכוזים נמוכים.
  • (FLT:0) אופטימיזציה פרוספקטיבית: מיפוי 1: מודלים ML ניתן לאמן לחזות כמה נכסים בו זמנית, המאפשר לחוקרים לבצע אופטימיזציה Pareto - מציאת יצירות אשר משיגות את הטוב ביותר של סחר בין, למשל, נקודת נמס והתנגדות חמצון.

הגבלות

  • (FLT:0) מחסור בנתונים: 1) רוב התכונות UHTC נמדדות רק כמה מאות יצירות.עבור תכונות מורכבות כמו התנגדות לזעזוע תרמי, נתונים ניסיוניים הם נדירים מאוד. ML מודלים מאומן על נתונים קטנים יכול להיות מתאים או לייצר תוספת לא אמינה.
  • (הופנה מהדף LT:0) ניהול: מודלים של אבולוציה 1:1 (למשל, carbides) אינם בדרך כלל להכללת borides או nitrides מבלי לאימון או להעביר למידה.
  • (FLT:0) בין-תחומיות: 1FLT:1 רבים מודלים של ML בעלי ביצועים גבוהים הם ארגזים שחורים, בעוד טכניקות כמו SHAP או LIME יכולות לספק דירוגים חשובים, הבנת המנגנון הפיזי הבסיסי נותר מאתגר - צעד חיוני לעיצוב חומרים שיש לשרוד לאורך תקופות חיים תפעוליות ארוכות.
  • (FLT:0) לאמת הקרקעית מושלמת:FLT:1Digital נתונים, בעוד עקבי, עשוי להידרדר באופן משמעותי מערכים ניסיוניים בשל תחזיות (למשל, פונקציונליות חילופי-השחיתות) נתונים ניסיוניים עצמם סובלים מחוסר ודאות מדידה וריאציות בהכנה של דגימות.

כיוונים עתידיים

שילוב של למידת מכונה עם כלים חישוביים וניסוייים אחרים מבטיח להאיץ את הפיתוח UHTC עוד יותר.כמה מגמות מתעוררות שווה לאות:

Active Learning and Bayesian Optimization

במקום להכשיר מודל פעם ולאחר מכן לסננת את התחזיות המובילות, למידה פעילה לולאה את המודל לתוך זרימת העבודה הניסויית.לאחר כל ניסוי, הנתונים החדשים מתווספים למערך האימונים, והמודל מוחלף כדי להפוך תחזיות טובות יותר לאחר מכן. אופטימיזציה Bayesian, אשר משתמשת במודלים של תהליכים גאוסיים עם הערכות אי-ודאות, יכול להציע אשר כדי לנסות לשלב הבא כדי למקסם את ההסתברות של גילוי חומר עם מטרה זו כבר נמצא סגסוגת כבר קרמיקה.

שילוב Multi-Scale Modeling

מודלים של ML מאומן על נתונים DFT (sub-nanoII timescales) ניתן לקשר לסימולציות mesoscale של טנטיקה של חיטוי או חמצון, מתן תיאור שלם יותר של ביצועים חומריים.לדוגמה, פוטנציאל ML כללי יכול להאיץ סימולציות מולקולריות של שבר UHTC או תחבורה תרמית, המאפשר תחזיות כי הן מהירות ומדויקות יותר מאשר DFT טהור.

שיתוף נתונים והתאמה

אחד מצוואר בקבוק להתקדמות ML הוא פיצול של נתונים על פני פורמטים רבים ומעבדות. מיזמים כמו חומרים Data Facility ואת פורטל נתונים NIST פועלים כדי סטנדרטיזציה של פורמטים נתונים ולספק API לגישה קלה. עבור קהילת UHTC, מסד נתונים ייעודי, מחוספס הכולל גם תכונות ממוחשבות ניסיוניות וניסוייות יהיה לשנות.

פיזיקה-Informed Machine Learning

במקום להתייחס לעיצוב חומרי רק כבעיה מבוססת נתונים, החוקרים מתחילים לשלב חוקים פיזיים למודל ה-ML עצמו.לדוגמה, רשת עצבית יכולה להיות מרוסנת לתחזיות המספקות מערכות יחסים תרמודינמיקה (למשל, convex hull של אנרגיות היווצרות) גישה זו משפרת את הכללה ומפחיתה את כמות הנתונים הדרושים לאימון.

מסקנה

למידת המכונה התפתחה כמשלי רב עוצמה לשיטות ניסיוניות והחישוביות המסורתיות בהתפתחות קרמיקה אולטרה-גבוהה-זמנית.על ידי למידה מהנתונים הקיימים, מודלים של ML יכולים במהירות למסך אלפי יצירות מועמדים, לחזות תכונות מפתח, ולדריך מאמצים ניסיוניים לעבר החומרים המבטיחים ביותר.הדוגמאות שנדונו - מחיזוי מוליכות תרמית לגילוי פחמימות מבוה גבוה - מפולט כי MLassis-A הוא רק כלי לא מורשה, אלא רק כלי חיזוי פרקטי, אך ורק לאחרונה.

עם זאת, הגישה אינה מגבלות נתונים פאןאצ'ה, פירוש מודל, ואת המורכבות של התנהגות חומרי העולם האמיתי יש לטפל באמצעות אימות ניסיוני זהיר, אסטרטגיות למידה אקטיבית, ושילוב עם מודלים המבוססים על פיזיקה.כפי שהנתונים גדלים ואלגוריתמים ML הופכים מתוחכמת יותר, הסינרגיה בין עיצוב מונע נתונים מבוסס ידע רק מחזקת, וסביר להניח כי דור חדש של תקופות אולטרה-גבוהות יכול לעמוד בתנאים קרמיקה של היום.

עבור מגזרי האוויר, הגרעין וההגנה התלויים בחומרים אלה, התגמול הוא עצום: מחזורי עיצוב מהירים יותר, עלויות מופחתות, ואת האפשרות של חומרים המבצעים באופן אמין בטמפרטורות שפעם חשבו בלתי אפשרי.שילוב של למידת מכונה וחומרים מדע מסמן צעד אמיתי קדימה - אחד המבטיח לא רק להאיץ את קצב הגילוי אלא להרחיב את האופקים של מה אפשרי בטכנולוגיית עתירה גבוהה.