Los científicos de Argonne de varias disciplinas han combinado fuerzas para crear un nuevo proceso para probar y predecir los efectos de las altas temperaturas en los óxidos refractarios.

El hierro fundido se derrite alrededor de 1, 200 grados centígrados. El acero inoxidable se derrite alrededor de 1, 520 grados centígrados. Si desea convertir estos materiales en objetos cotidianos, como la sartén de su cocina o las herramientas quirúrgicas que utilizan los médicos, es lógico que necesite crear hornos y moldes con algo que pueda soportar incluso estas temperaturas extremas.

Ahí es donde entran los óxidos refractarios. Estos materiales cerámicos pueden resistir el calor abrasador y conservar su forma, lo que los hace útiles para todo tipo de cosas, desde hornos y reactores nucleares hasta las placas de protección contra el calor de las naves espaciales. Pero teniendo en cuenta los entornos a menudo peligrosos en los que se utilizan estos materiales, los científicos quieren comprender todo lo que puedan sobre lo que les sucede a altas temperaturas, antes de que los componentes fabricados con esos materiales se encuentren con esas temperaturas en el mundo real.

"No estoy diciendo que los humanos no sean geniales, pero si recibimos ayuda de computadoras y software, podemos ser más grandes. Abre la puerta a más experimentos como este que hacen avanzar la ciencia ". - Marius Stan, líder del programa, Diseño inteligente de materiales, Argonne

Un equipo de investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) ha encontrado una manera de hacer precisamente eso. Utilizando técnicas experimentales innovadoras y un nuevo enfoque para las simulaciones por computadora, el grupo ha ideado un método para no solo obtener datos precisos sobre los cambios estructurales que estos materiales sufren cerca de sus puntos de fusión, pero prediciendo con mayor precisión otros cambios que actualmente no se pueden medir.

El trabajo del equipo ha sido publicado en Cartas de revisión física .

La semilla de esta colaboración fue plantada por Marius Stan, líder del programa de Diseño de Materiales Inteligentes en la división de Materiales Aplicados de Argonne. El grupo de Stan había desarrollado muchos modelos y simulaciones sobre los puntos de fusión de los óxidos refractarios, pero quería probarlos.

"Tiene sus raíces en el deseo de ver si nuestros modelos matemáticos y simulaciones representan la realidad o no, ", Dijo Stan." Pero se ha convertido en un estudio de aprendizaje automático. Lo que me parece más emocionante es que ahora existe una forma de predecir las interacciones entre los átomos de forma automática ".

Esa innovación comenzó cambiando un guión familiar, según Ganesh Sivaraman, autor principal del artículo y científico computacional asistente en la división de ciencia de datos y aprendizaje de Argonne. Realizó este trabajo mientras era un postdoctoral designado en Argonne Leadership Computing Facility (ALCF), una instalación para usuarios de la Oficina de Ciencias del DOE.

Si bien la mayoría de los experimentos comienzan con un modelo teórico, básicamente, una suposición informada y educada de lo que sucederá en condiciones de la vida real; el equipo quería comenzar este con datos experimentales y diseñar sus modelos en torno a eso.

Sivaraman cuenta una historia sobre un famoso matemático alemán que quería aprender a nadar, así que tomó un libro y leyó sobre él. Crear teorías sin considerar los datos experimentales, Sivaraman dijo:es como leer un libro sobre natación sin ni siquiera meterse en una piscina. Y el equipo de Argonne quería meterse de lleno.

"Es más preciso crear un modelo a partir de datos experimentales, ", Dijo Sivaraman." Acerca el modelo a la realidad ".

Para obtener esos datos, los científicos computacionales se asociaron con el físico Chris Benmore y el físico asistente Leighanne Gallington de la División de Ciencias de Rayos X de Argonne. Benmore y Gallington trabajan en Advanced Photon Source (APS), una instalación para usuarios de la Oficina de Ciencias del DOE en Argonne, que genera rayos X muy brillantes para iluminar las estructuras de los materiales, entre otras cosas. La línea de luz que utilizaron para este experimento les permite examinar la estructura local y de largo alcance de los materiales en condiciones extremas. como las altas temperaturas.

Por supuesto, calentar óxidos refractarios, en este caso, dióxido de hafnio, que se derrite alrededor de las 2, 870 grados Celsius:viene con sus propias complicaciones. Ordinariamente, la muestra estaría en un recipiente, pero no hay uno disponible que resista esas temperaturas y aún permita que los rayos X pasen a través de ellas. Y ni siquiera puedes dejar la muestra sobre una mesa, porque la mesa se derretirá antes que la muestra.

La solución se llama levitación aerodinámica e involucra a científicos que usan gas para suspender una pequeña muestra esférica de material (2-3 mm de diámetro) de aproximadamente un milímetro en el aire.

"Tenemos una boquilla conectada a un flujo de gas inerte, y como suspende la muestra, un láser de 400 vatios calienta el material desde arriba, "Dijo Gallington." Tienes que jugar con el flujo de gas para que levite de manera estable. No lo quieres demasiado bajo porque la muestra tocará la boquilla, y podría derretirse con él ".

Una vez que se tomaron los datos y los científicos de la línea de luz comprendieron bien algo de lo que sucede cuando el óxido de hafnio se derrite, los informáticos tomaron la pelota y corrieron con ella. Sivaraman introdujo los datos en dos conjuntos de algoritmos de aprendizaje automático, uno de ellos que entienda la teoría y pueda hacer predicciones, y otro, un algoritmo de aprendizaje activo, que actúa como asistente de enseñanza, solo dando al primero los datos más interesantes con los que trabajar.

"El aprendizaje activo ayuda a otros tipos de aprendizaje automático a aprender con menos datos, "Sivaraman explicó." Di que quieres caminar desde tu casa hasta el mercado. Puede haber muchas formas de llegar pero solo necesitas conocer el camino más corto. El aprendizaje activo señalará el camino más corto y filtrará los demás ".

Los cálculos se ejecutaron en supercomputadoras en el ALCF y el Centro de Recursos de Computación de Laboratorio en Argonne. El equipo terminó con un modelo generado por computadora basado en datos de la vida real, uno que les permita predecir cosas que los experimentadores no capturaron, o no pudieron capturar.

"Tenemos lo que se llama un potencial multifásico, y puede predecir muchas cosas ", Dijo Benmore." Ahora podemos seguir adelante y darle otros parámetros, como lo bien que conserva su forma a altas temperaturas, que no medimos. Podemos extrapolar lo que sucedería si superamos la temperatura que podemos alcanzar ".

"El modelo es tan bueno como los datos que le proporcionas, y cuanto más le das, mejor se vuelve, ", Agregó Benmore." Damos toda la información que podamos, y el modelo se vuelve mejor ".

Sivaraman describe este trabajo como una prueba de concepto, uno que pueda retroalimentar otros experimentos. Es un buen ejemplo él dijo, de colaboración entre diferentes partes de Argonne, y de investigaciones que no podrían realizarse sin los recursos de un laboratorio nacional.

"Repetiremos este experimento con otros materiales, ", Dijo Sivaraman." Nuestros colegas de APS tienen la infraestructura para estudiar cómo estos materiales se derriten en condiciones extremas, y estamos trabajando con científicos informáticos para crear el software y la infraestructura de transmisión para procesar rápidamente estos conjuntos de datos a escala. Podemos incorporar el aprendizaje activo en el marco y enseñar modelos para procesar de manera más eficiente el flujo de datos utilizando supercomputadoras ALCF ".

Para Stan, la prueba de concepto es una que puede reemplazar el tedio necesario de las personas que realizan estos cálculos precisos. Ha visto evolucionar esta tecnología durante su carrera, y ahora lo que una vez tomó meses solo toma unos días.

"No estoy diciendo que los humanos no sean geniales, "se rió entre dientes, "pero si recibimos ayuda de las computadoras y el software, podemos ser más grandes. Abre la puerta a más experimentos como este que hacen avanzar la ciencia ".