Ultra-High-Temperature Seramiklere Giriş

Ultra yüksek sıcaklık seramikleri (UHTCs), yüksek sıcaklık elektrotlarını içeren bir rerakter materyalini temsil eder ve bu malzemeler, özellikle de hafnium (vüc) gibi aşırı derecede yüksek çözünürlük uygulamaları için gereklidir.

UHTC'lerin geleneksel tasarımı, deneysel deneme ve terörle yoğun bir şekilde yoğunlaşmıştır, termodinamik sezgi ve ampirik kurallar tarafından yönlendirilir. Bu yaklaşım yavaş, pahalı ve çoğu zaman mevcut geniş kompozisyonel manzarayı keşfetmeyi başarmaktadır.Tek bir deneysel döngü -synthesis, karakterizasyon ve mülk değerlendirme - mevcut verileri öğrenebilen ve daha yüksek olmayan malzemeler için artan talep ile, bilim topluluğu keşifleri hızlandırmayı hızlandırmayı hesaplamak için hesaplama yöntemlerine döndü.

Bu makale, makine öğreniminin ultra yüksek sıcaklık seramiklerinin tasarımını yeniden şekillendirmesini inceliyor. UHTCs'in temel özelliklerini araştırıyoruz, ML-güdümlü materyallerin bilim prensiplerini, tahmin edici modelleri eğitmek için kullanılan özel iş akışları ve gerçek dünya etkisi, bir sonraki nesil rerakter malzemeleri geliştirmek için.

Ultra-High-Temperature Seramikleri Ne Yapar

UHTCs, kristal lattices içinde güçlü covalent ve iyonik bağdan kaynaklanan nadir bir özellike sahiptir: Anahtar özellikler şunlardır:

  • [FONT=0)Extreme maktr puanları[[DÜT 1: 1 ) - Birçok UHTCs 3,000 °C'nin üzerinde hafnium ve tantalum WOW 3,900 °C'nin üzerinde eritir.
  • [FONT:0) Yüksek sertlik ve modulus[[Dönetici: 1) Bu malzemeler en zor bilinenlerdendir, onları erozyona karşı dayanıklı hale getirir ve aşınmaya karşı dayanıklıdır.
  • [FONT:0)Eksik ısı iletkenliği[Dönetici: 1))[Dönetici: 1 ) - Bazı metaller kadar verimli bir şekilde ısıtabilecek olan boides için.
  • [FONT=0)Oxidation direnişi[[DÜT:1) – Yüksek sıcaklıklarda oksijene maruz kaldığı zaman, birçok UHTCs daha fazla bozulmayı hafifleten koruyucu bir oksit ölçeği oluşturur.

Ancak, bu avantajlar ticaretle geliyor. Birçok UHTC'ler, katkı yapmadan tam yoğunlukta sinter yapmak zor, sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık rekabet eden ve termal şok direncinin düşük olması gerektiği gibi - birlikte ısı, mekanik ve kimyasal bir atmosfer reentry yükleri gibi - bu malzeme tasarımının aynı anda birden çok, sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık rekabet eden özellikler.

UHTC'leri geliştirmek için geleneksel strateji, ikincil aşamalarla onları yapmak veya alaşımlamak olmuştur, ancak olası stoichinizlerin ve yüzlerce olası stoichiniz ile tasarım alanı hızla sorgulanır.Bu, makine öğreniminin en büyük vaatlerini gösterdiği yerdir: son deneysel verilerden öğrenerek, ML modelleri hangi elemental kombinasyonlar ve işleme parametrelerini elde eden bir malzemeye sahip olabilir.

Malzeme Biliminde Makine Öğrenmesi: Bir Genel Bakış

Makine öğrenimi, yapay zekanın alt kümesi, performanslarını deneyim yoluyla geliştirmek için algoritmaları içerir (data). Malzeme bilimi, bu algoritmaların malzeme tanımlayıcılarını haritayı öğrenir - kompozisyon, kristal yapı ve bağ özellikleri gibi - hedef özellikleri - bu alanda kullanılan yaygınlaştırma oranı gibi.

  • [FONT:0]Random ormanları ve gradient yükseltici[[[Dönetici:0)[[[değiştir | kaynağı değiştir]- birçok karar ağacı ve ortalama tahminlerini oluşturan yöntemler.
  • [FONT:0)Deprem vektör makineleri[Dönetici:0)Depret vektör makineleri[Döneticiler için etkili, özellikle özellikleri ve hedefleri arasındaki ilişki düzgün olduğunda.
  • [FONT:0]Neural ağları ( derin öğrenme dahil)) - Son derece karmaşık etkileşimleri yakalayabilen, ancak büyük veri kümeleri ve dikkatli bir şekilde düzenlileştirme gerektirir.
  • [FONT=0]Gaussian süreci regresyon[[Döncükler sadece tahminler değil, aynı zamanda belirsizlik tahminleri de, hangi deneylere rehberlik etmek için değerli (aktif öğrenme).

Bir ML modelinin başarısı, malzeme projesi gibi yüksek oranda eğitim verilere bağlıdır, kristal yapılar ve temel özellikler üzerinde kapsamlı bir hesaplama sağlar. Ayrıca, UHTC veritabanının çeşitli araştırma grupları tarafından korunan deneysel veritabanı - malzeme Project, AFLOW gibi ölçme noktalarının ölçülmesi ve oxidasyon kineleri.

Malzemelerin tasarımında tipik bir ML akışı şöyle devam ediyor: (1) Bir veri kümesi, (2) Temiz ve ön işleme verileri, (3) yeni ve mühendislik özelliklerini tahmin etmek için bu modeli seçin veya mühendis özellikleri kullanın (örneğin, elektronegativity, atom yarıçap ve valence elektron sayımı), (4) tren ve birden çok geri bildirim modeli ile gelecekteki modellerini geliştirmek için devre dışı bırakmak. (6) yeni, unsynthe boy kompozisyonlar için bu modeli kullanın.

UHTC'lerin Tasarıma Makine Öğrenmesi Uygulanıyor

Data Sources and Feature Engineering

UHTC'ler için güvenilir bir ML modeli inşa etmek sağlam bir veri setiyle başlar. Araştırmacılar genellikle üç kaynaktan veri toplayabilirler: yoğunluk fonksiyonel teori (DFT) hesaplamaları, yüksek kodlu deneysel kampanyalar ve tarihsel literatür madenciliği.UHTCs için, formasyon enerjisi, elastik sabitler ve phonon spectra gibi hesaplamalar yaygın olarak kullanılmaktadır, çünkü sistematik olarak üretilebilir.

Özel mühendislik kritiktir. Raw kompozisyonu (örneğin, HfC0.98), kristalin bir algoritma ile doğrudan bilgilendirici değildir. yerine, her bileşik, bağ özelliklerini ele alan özellikleri içerir. Common features include the average elektronegativity, atom numarası, atomik yarıçap, grup numarası, ve yapıdan elde edilen özellikler (örneğin, karbon ağları ve bağ uzunluğu gibi).

ML-güdümlü UHTC keşifleri, mevcut kıyaslanmalardan 30-50 daha yüksek olan Kaufmann ve al. (2020) tarafından yapılan çalışmalarla, ML-güdümlü yüksek ücretli klinisyenlerin termal iletkenliğini tahmin etmek için DFT verileri üzerinde eğitilmiş rastgele bir orman modeli kullanılmıştır (örneğin, birçok UHTC kompozisyonu da dahil olmak üzere).Kauf et al.

Temel Özellikler Tahmin Edilmesi

UHTC tasarımı için en kritik özellikler sıcaklık, oxidasyon direnci ve yüksek sıcaklık gücüdür. Her biri ML tahminine yönelik eşsiz zorluklar sunuyor.

  • [FONT:0]Melting Sıcaklık:[DFT, enerjileri hesaplayabilirken, ikili bileşiklerin ampirik noktalarından veya moleküler dinamiklerin tahrif edilmesinden sık sık sık sık sık sık, deneysel olarak makülatif enerji ve modulus gibi) oluşan modeller iyi bir doğrulukla erimeyi tahmin edebilir. (2015) Seko et al. (2015) kullanılan çekirdek ridge regresyonunu 100 K (bakım:2Seko et al.
  • [FONT=0)Oxidation direnişi: [Dönetici: [Dönüşüm davranışı daha karmaşıktır, çünkü oksit ölçeğinde ulaşım mekanizmalarına bağlıdır. Atom modelleri oksijen ve Pilling-Bedworth oranı aktif bir araştırma alanıdır.
  • [FONT=0]Mechanical özellikler:[Dönetici:[Dönetici:0) Katılık ve kırık sertliği, bağ gücü ve kristal yapısı ile ilgili tanımlayıcılar kullanılarak tahmin edilir. Örneğin, UHTCs'nin ısıtılması elektron yoğunluğuyla güçlü bir şekilde ilişkili, kompozisyondan kolayca hesaplanan bir özelliktir.

Vaka Çalışması: Yüksek-Entropy Ultra-High-Temperature Seramiks

UHTC araştırmalarındaki en heyecan verici gelişmelerden biri, yüksek performanslı seramiklerin (HECs) ortaya çıkışıdır - önümüzdeki beş veya daha fazla baş casyon içeren daireler. Birden çok elementin kombinasyonu gelişmiş sertlik ve azaltılmış termal iletkenlik gibi eşsiz özelliklere yol açabilir.

2021 yılında, Kaliforniya Üniversitesi'nden araştırmacılar, San Diego ve işbirlikçiler, yarı zamanlı quinary (beş-komponent) geçiş metalleri, Hf, Ta ve Zr. modeli içeren kompozisyonlar dahil olmak üzere, DFT verileri üzerinde 500'den fazla ternary ve işbirlikçilik bir tırma ve sonra 10.000'den fazla varsayımsal kompozisyonlar oluşturmak için kullanılmıştır.

ML-Assisted UHTC Design Faydaları

Faydaları Faydaları Faydaları

  • [FONT:0)Speed:[DÜT:1) ML modelleri saniyede binlerce kompozisyonu değerlendirebilir, ancak deneysel sentez örnek olarak haftalar gerektirebilir.
  • [FONT:0]Cost azaltımı: [Dönetici kaynakları sadece en umut verici adaylara odaklanarak, genel araştırma maliyetleri dramatik bir şekilde düşer.
  • [FONT:0) Hayır;[Dönetici:[Dönetici:[Dönetici: 0)[[Dönetici:[Dönetici:[Dönetici: 0) ML, düşük konsantrasyonlarda olduğu gibi asla heuristics kullanmayöneticileri tanımlayamayan kompozisyonları tespit edebilir.
  • [FONT:0) Çok basit optimizasyon:[Dönerge:[Döner 1: 1] ML modelleri aynı anda birkaç özellik tahmin etmek için eğitilmiş olabilir, araştırmacıların Pareto optimizasyonunu gerçekleştirmelerine izin verir - en iyi ticaret-sonrası arasındaki kompozisyonları bulmak, saymak, söndürücü ve oxidasyon direncini bulmak.

Sınırlamalar

  • [FONT=0]Data söndürücü:[Döneticileri çoğu UHTC özellikleri sadece birkaç yüz kompozisyon için ölçüldü. termal şok direnci gibi karmaşık özellikler için, deneysel veriler son derece az ML modelleri üzerinde eğitilmiş veya güvenilmez ekstrapolasyonlar üretmiştir.
  • [FONT:0)Transferability:[Dönetici:[Dönetici: 0) Bir malzeme ailesi üzerinde eğitilmiş modeller (örneğin, lübüsler) genellikle boides veya nitritleri yeniden eğitim almadan veya transfer öğrenmeden genelleştirmiyor.
  • [FONT:0) Sorumluluk:[Dönetici:[Dönetici:[Dönetici:0) Birçok yüksek performanslı ML modelleri siyah kutulardır. SHAP veya LIME gibi teknikler önemli sıralamalar sağlayabilir, alt temel fiziksel mekanizmayı anlamak zor kalır - uzun süreli hayatta kalmaları gereken malzemeleri tasarlamak için önemli bir adım.
  • [FONT:0)Imperfect zemin Truth:[DFT verileri, tutarlı olsa da, yaklaşık hazırlıklar nedeniyle deneysel değerlerden önemli ölçüde beslenebilir (örneğin, değişim-korelasyon işlevleri). Deneysel veriler, ölçüm hazırlıklarında belirsizlik ve varyasyonlar acı çeker.

Future Yol Tarifi

Diğer hesaplama ve deneysel araçlarla makine öğreniminin entegrasyonu, UHTC gelişimini daha da hızlandırmaya söz verir. Birkaç ortaya çıkan trendler buna değer:

Aktif Öğrenme ve Bayesian Optimizasyon

Bir kez bir model eğitimi yerine ve sonra üst tahminleri sentezlemek yerine, modeli her deneyden sonra, yeni veriler zaten yeni yüksek sıcaklık alaşımları bulmak için uygulanır ve daha iyi bir sonraki tahminlere adapte edilir. Bayesian optimizasyon, Gaussian sürecini belirsizlik tahminleriyle kullanan modeller, bir hedef mülkle bir materyali keşfetme olasılığının daha iyi bir şekilde geliştirilmesini önerebilir.

Multi-Scale Modeling Entegrasyon

DFT verileri üzerinde eğitilmiş ML modelleri (sub-nanosaniye zaman ölçekleri) hem de sintering veya oksidasyon kinetics'in ölçeklendirme simülasyonları ile bağlantılı olabilir, daha tam bir malzeme performansı açıklaması sağlar. Örneğin, UHTC kırık veya termal taşıma simülasyonlarını hızlandırabilir, tahminlerin her ikisi de daha hızlı ve daha doğru olmasını sağlar.

Data Paylaşım ve Standartlaştırma

Bir şişen ML ilerlemesine karşı şişen, birçok format ve laboratuarda verilerin parçalanmasıdır. Malzemeler Data Tesis ve NIST Materials Science ve Engineering Data Portal, veri formatlarını standartlaştırmak ve API'leri kolay erişim için sunmaktır.UHTC topluluğu için, her iki hesaplamayı içeren özel ve deneysel özellikler dönüştürme amaçlıdır.

FizikInform Machine Learning

Örnek olarak, bir veriye dayalı problem olarak malzeme tasarımını tamamen tedavi etmek yerine, araştırmacılar eğitim için gerekli olan verileri geliştirirler. Örneğin, bir sinir ağı, termodinamik ilişkileri karşılayan tahminleri telafi edebilir (örneğin, konvex hull of form of form) Bu yaklaşım genelleştirmeyi geliştirir ve eğitim için gerekli verileri azaltır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi ultra yüksek sıcaklık seramiklerinin geliştirilmesinde geleneksel deneysel ve hesaplama yöntemleri için güçlü bir tamamlayıcı olarak ortaya çıktı.Mevcut verilerden öğrenerek, ML modelleri, yeni elde edilen malzemeleri tahmin eden binlerce aday kompozisyonu hızlı bir şekilde ekranlayabiliyor ve en umut verici materyallere kılavuzluk ediyor - yüksek performanslı keşif için termal tahminlerden - MLassisted tasarımın sadece teorik bir egzersiz değil, ancak daha önce yeni bir şekilde elde edilen pratik bir araç olduğunu doğrulamaktadır.

Ancak, yaklaşım bir panacea değildir. Veri sınırlamaları, modelleme yorumlanabilirlik ve gerçek dünya malzeme davranışının karmaşıklığı, bugün sınırların ötesindeki koşullara dayanabilecek dikkatli bir deneysel doğrulama, aktif öğrenme stratejileri ve entegrasyon yoluyla ele alınmalıdır.

Uzay için, nükleer ve savunma sektörleri bu malzemelere bağımlı olan, ödeme son derece önemlidir: daha hızlı tasarım döngüleri, maliyetleri azaltın ve sıcaklıklarında güvenilir bir şekilde performans gösteren malzemeler mümkün olduğunca imkansızdır. makine öğrenme ve malzeme bilimi kombinasyonu gerçek bir adım önde gelir - sadece keşif hızını hızlandırmaya söz verir, ancak temel olarak yüksek sıcaklık teknolojisine göre mümkün olan şeyleri genişletmek için.