O conceito de ordem de curto alcance (SRO) — o arranjo de átomos em pequenas distâncias — em ligas metálicas tem sido pouco explorado na ciência e engenharia de materiais. Mas a última década viu um interesse renovado em quantificá-lo, já que decodificar SRO é um passo essential para o desenvolvimento de ligas personalizadas de alto desempenho, como materiais mais fortes ou resistentes ao calor.
Entender como os átomos se organizam não é uma tarefa fácil e deve ser verificado usando experimentos intensivos de laboratório ou simulações de computador baseadas em modelos imperfeitos. Esses obstáculos dificultaram a exploração completa de SRO em ligas metálicas.
Mas Killian Sheriff e Yifan Cao, estudantes de pós-graduação no Departamento de Ciência e Engenharia de Materiais (DMSE) do MIT, estão usando aprendizado de máquina para quantificar, átomo por átomo, os arranjos químicos complexos que compõem o SRO. Sob a supervisão do Professor Assistente Rodrigo Freitas, e com a ajuda da Professora Assistente Tess Smidt no Departamento de Engenharia Elétrica e Ciência da Computação, seu trabalho foi recentemente publicado em O Anais da Academia Nacional de Ciências.
O interesse em entender a SRO está ligado ao entusiasmo em torno de materiais avançados chamados ligas de alta entropia, cujas composições complexas lhes conferem propriedades superiores.
Normalmente, cientistas de materiais desenvolvem ligas usando um elemento como base e adicionando pequenas quantidades de outros elementos para melhorar propriedades específicas. A adição de cromo ao níquel, por exemplo, torna o metallic resultante mais resistente à corrosão.
Diferentemente da maioria das ligas tradicionais, as ligas de alta entropia têm vários elementos, de três a 20, em proporções quase iguais. Isso oferece um vasto espaço de design. “É como se você estivesse fazendo uma receita com muito mais ingredientes”, diz Cao.
O objetivo é usar o SRO como um “botão” para adaptar propriedades de materiais misturando elementos químicos em ligas de alta entropia de maneiras únicas. Essa abordagem tem aplicações potenciais em indústrias como aeroespacial, biomedicina e eletrônica, impulsionando a necessidade de explorar permutações e combinações de elementos, diz Cao.
Capturando ordem de curto alcance
Ordem de curto alcance se refere à tendência dos átomos de formar arranjos químicos com átomos vizinhos específicos. Embora uma análise superficial da distribuição elementar de uma liga possa indicar que seus elementos constituintes são arranjados aleatoriamente, isso geralmente não é verdade. “Os átomos têm uma preferência por ter átomos vizinhos específicos arranjados em padrões particulares”, diz Freitas. “A frequência com que esses padrões surgem e como eles são distribuídos no espaço é o que outline a SRO.”
Entender SRO desbloqueia as chaves para o reino dos materiais de alta entropia. Infelizmente, não se sabe muito sobre SRO em ligas de alta entropia. “É como se estivéssemos tentando construir um enorme modelo de Lego sem saber qual é a menor peça de Lego que você pode ter”, diz Sheriff.
Os métodos tradicionais para entender SRO envolvem pequenos modelos computacionais, ou simulações com um número limitado de átomos, fornecendo uma imagem incompleta de sistemas de materiais complexos. “Materiais de alta entropia são quimicamente complexos — você não pode simulá-los bem com apenas alguns átomos; você realmente precisa ir algumas escalas de comprimento acima disso para capturar o materials com precisão”, diz Sheriff. “Caso contrário, é como tentar entender sua árvore genealógica sem conhecer um dos pais.”
O SRO também foi calculado usando matemática básica, contando vizinhos imediatos para alguns átomos e computando como essa distribuição pode parecer em média. Apesar de sua popularidade, a abordagem tem limitações, pois oferece uma imagem incompleta do SRO.
Felizmente, os pesquisadores estão aproveitando o aprendizado de máquina para superar as deficiências das abordagens tradicionais de captura e quantificação de SRO.
Hyunseok Ohprofessor assistente no Departamento de Ciência e Engenharia de Materiais da Universidade de Wisconsin em Madison e ex-pós-doutorado do DMSE, está animado para investigar o SRO mais completamente. Oh, que não estava envolvido neste estudo, explora como alavancar a composição da liga, métodos de processamento e sua relação com o SRO para projetar ligas melhores. “A física das ligas e a origem atomística de suas propriedades dependem da ordenação de curto alcance, mas o cálculo preciso da ordenação de curto alcance tem sido quase impossível”, diz Oh.
Uma solução de aprendizado de máquina de duas frentes
Para estudar SRO usando aprendizado de máquina, é útil imaginar a estrutura cristalina em ligas de alta entropia como um jogo de ligar os pontos em um livro de colorir, diz Cao.
“Você precisa conhecer as regras para conectar os pontos para ver o padrão.” E você precisa capturar as interações atômicas com uma simulação que seja grande o suficiente para encaixar o padrão inteiro.
Primeiro, entender as regras significava reproduzir as ligações químicas em ligas de alta entropia. “Existem pequenas diferenças de energia em padrões químicos que levam a diferenças na ordem de curto alcance, e não tínhamos um bom modelo para fazer isso”, diz Freitas. O modelo que a equipe desenvolveu é o primeiro bloco de construção na quantificação precisa de SRO.
A segunda parte do desafio, garantir que os pesquisadores tenham uma visão geral, period mais complexa. Ligas de alta entropia podem exibir bilhões de “motivos” químicos, combinações de arranjos de átomos. Identificar esses motivos a partir de dados de simulação é difícil porque eles podem aparecer em formas simetricamente equivalentes — rotacionadas, espelhadas ou invertidas. À primeira vista, eles podem parecer diferentes, mas ainda conter as mesmas ligações químicas.
A equipe resolveu esse problema empregando Redes neurais euclidianas 3D. Esses modelos computacionais avançados permitiram que os pesquisadores identificassem motivos químicos a partir de simulações de materiais de alta entropia com detalhes sem precedentes, examinando-os átomo por átomo.
A tarefa last period quantificar o SRO. Freitas usou aprendizado de máquina para avaliar os diferentes motivos químicos e marcar cada um com um número. Quando os pesquisadores querem quantificar o SRO para um novo materials, eles o executam pelo modelo, que o classifica em seu banco de dados e gera uma resposta.
A equipe também investiu esforços adicionais para tornar seu estrutura de identificação de motivos mais acessível. “Temos essa folha de todas as permutações possíveis de (SRO) já configuradas, e sabemos qual número cada uma delas obteve por meio desse processo de aprendizado de máquina”, diz Freitas. “Então, mais tarde, conforme executamos simulações, podemos classificá-las para nos dizer como será a nova SRO.” A rede neural reconhece facilmente operações de simetria e marca estruturas equivalentes com o mesmo número.
“Se você tivesse que compilar todas as simetrias sozinho, seria muito trabalho. O aprendizado de máquina organizou isso para nós muito rapidamente e de uma forma que period barata o suficiente para que pudéssemos aplicá-lo na prática”, diz Freitas.
Conheça o supercomputador mais rápido do mundo
Neste verão, Cao, Sheriff e sua equipe terão a oportunidade de explorar como o SRO pode mudar sob condições rotineiras de processamento de metais, como fundição e laminação a frio, por meio do Departamento de Energia dos EUA. Programa INCITEque permite o acesso a Fronteirao supercomputador mais rápido do mundo.
“Se você quiser saber como a ordem de curto alcance muda durante a fabricação actual de metais, você precisa ter um modelo muito bom e uma simulação muito grande”, diz Freitas. A equipe já tem um modelo forte; agora, ele aproveitará as instalações de computação do INCITE para as simulações robustas necessárias.
“Com isso, esperamos descobrir o tipo de mecanismos que os metalúrgicos poderiam empregar para projetar ligas com SRO pré-determinado”, acrescenta Freitas.
Sheriff está animado com as muitas promessas da pesquisa. Uma delas é a informação 3D que pode ser obtida sobre SRO químico. Enquanto microscópios eletrônicos de transmissão tradicionais e outros métodos são limitados a dados bidimensionais, simulações físicas podem preencher os pontos e dar acesso complete à informação 3D, diz Sheriff.
“Nós introduzimos uma estrutura para começar a falar sobre complexidade química”, explica Sheriff. “Agora que podemos entender isso, há todo um corpo de ciência de materiais em ligas clássicas para desenvolver ferramentas preditivas para materiais de alta entropia.”
Isso poderia levar ao design proposital de novas courses de materiais em vez de simplesmente atirar no escuro.
A pesquisa foi financiada pelo MathWorks Ignition Fund, pelo MathWorks Engineering Fellowship Fund e pela Fundação Portuguesa para a Cooperação Internacional em Ciência, Tecnologia e Ensino Superior no Programa MIT–Portugal.