Este trabajo está publicado en la revista Physical Review Letters. .

"Encontramos una forma mucho más eficiente de calcular la difusión en sólidos y, al mismo tiempo, aprendimos más sobre los procesos fundamentales de difusión en ese mismo sistema", dice el profesor de ciencia e ingeniería de materiales Dallas Trinkle, quien dirigió este trabajo, junto con con el estudiante de posgrado Soham Chattopadhyay.

La difusión en sólidos es el proceso por el cual los átomos se mueven a través de un material. La producción de acero, los iones que se mueven a través de una batería y el dopaje de dispositivos semiconductores son cosas que están controladas por difusión.

Aquí, el equipo modeló la difusión en aleaciones multicomponentes, que son metales compuestos de cinco elementos diferentes (manganeso, cobalto, cromo, hierro y níquel en esta investigación) en cantidades iguales. Estos tipos de aleaciones son interesantes porque una forma de fabricar materiales resistentes es agregar diferentes elementos, como agregar carbono y hierro para fabricar acero.

Las aleaciones multicomponente tienen propiedades únicas, como buen comportamiento mecánico y estabilidad a altas temperaturas, por lo que es importante comprender cómo se difunden los átomos en estos materiales.

Para observar bien la difusión, se necesitan escalas de tiempo largas, ya que los átomos se mueven aleatoriamente y, con el tiempo, su desplazamiento desde el punto de partida aumentará. "Si alguien intenta simular la difusión, es una molestia porque hay que ejecutar la simulación durante mucho tiempo para obtener la imagen completa", dice Trinkle.

"Eso realmente limita muchas de las formas en que podemos estudiar la difusión. A menudo no se pueden usar métodos más precisos para calcular las tasas de transición porque no sería posible realizar suficientes pasos de una simulación para obtener la trayectoria a largo plazo y obtener una valor razonable de difusión."

Un átomo puede saltar hacia la izquierda pero luego puede volver a saltar hacia la derecha. En ese caso, el átomo no se ha movido a ninguna parte. Ahora, digamos que salta a la izquierda, luego suceden otras 1000 cosas y luego salta de regreso a la derecha. Ese es el mismo efecto.

Trinkle dice:"A eso lo llamamos correlación porque en un momento el átomo dio un salto y luego lo deshizo. Eso es lo que complica la difusión. Cuando observamos cómo el aprendizaje automático está resolviendo el problema, lo que realmente está haciendo es cambiar". el problema a uno donde no hay ninguno de estos saltos correlacionados."

Por tanto, cualquier salto que realice un átomo contribuye a la difusión y el problema se vuelve mucho más fácil de resolver. "A esos saltos los llamamos kinosons, por pequeños movimientos", dice Trinkle.

"Hemos demostrado que se puede extraer la distribución de ellos, la probabilidad de ver un kinosón de cierta magnitud, y sumarlos todos para obtener la verdadera difusividad. Además de eso, se puede saber cómo se difunden diferentes elementos en un sólido."

Otra ventaja de modelar la difusión utilizando kinosones y aprendizaje automático es que es significativamente más rápido que calcular trayectorias completas a largo plazo. Trinkle dice que con este método, las simulaciones se pueden realizar 100 veces más rápido que con los métodos normales.

"Creo que este método realmente va a cambiar la forma en que pensamos sobre la difusión", afirma. "Es una forma diferente de ver el problema y espero que en los próximos 10 años, esta sea la forma estándar de ver la difusión. Para mí, una de las cosas interesantes no es sólo que funciona más rápido, sino que también aprenda más sobre lo que está sucediendo en el sistema."