Quand est-ce que quelque chose est plus que la simple somme de ses parties ? Alliages montrer une telle synergie. L’acier, par exemple, révolutionné l’industrie en prenant du fer, en ajoutant un peu de carbone et en faisant un alliage beaucoup plus résistant que l’un ou l’autre de ses composants.
Les simulations de superordinateurs aident les scientifiques à découvrir de nouveaux types d’alliages, appelés alliages à haute entropie. Des chercheurs ont utilisé le Stampede2 supercalculateur du Texas Advanced Computing Center (TACC) attribué par l’Extreme Science and Engineering Discovery Environment (XSEDE).
Leurs recherches ont été publié en avril 2022 dans Npj Computational Materials. L’approche pourrait être appliquée à la recherche de nouveaux matériaux pour les batteries, les catalyseurs et plus encore sans avoir besoin de métaux coûteux tels que le platine ou le cobalt.
« Alliages à haute entropie représentent un concept de design totalement différent. Dans ce cas, nous essayons de mélanger plusieurs éléments principaux ensemble », a déclaré l’auteur principal de l’étude. Wei Chenprofesseur agrégé de science et d’ingénierie des matériaux à l’Institut de technologie de l’Illinois.
Le terme « élevé entropie” en un mot fait référence à la diminution de l’énergie obtenue à partir du mélange aléatoire de plusieurs éléments à des fractions atomiques similaires, ce qui peut stabiliser les matériaux nouveaux et nouveaux résultant du «cocktail».
Pour l’étude, Chen et ses collègues ont étudié un grand espace de 14 éléments et les combinaisons qui ont donné des alliages à haute entropie. Ils ont effectué des calculs de mécanique quantique à haut débit, qui ont trouvé la stabilité et les propriétés élastiques de l’alliage, la capacité de retrouver leur taille et leur forme sous l’effet du stress, de plus de 7 000 alliages à haute entropie.
« Il s’agit à notre connaissance de la plus grande base de données sur les propriétés élastiques des alliages à haute entropie », a ajouté Chen.
Ils ont ensuite pris ce grand ensemble de données et appliqué un Ensembles profonds l’architecture, qui est une avancée l’apprentissage en profondeur architecture qui génère des modèles prédictifs pour les propriétés de nouveaux alliages à haute entropie.
« Nous avons développé un nouveau modèle d’apprentissage automatique et prédit les propriétés de plus de 370 000 compositions d’alliages à haute entropie », a déclaré Chen.
La dernière partie de leur étude a utilisé ce qu’on appelle l’extraction de règles d’association, une méthode d’apprentissage automatique basée sur des règles utilisée pour découvrir de nouvelles relations intéressantes entre les variables, dans ce cas comment des éléments individuels ou des combinaisons d’éléments affecteront les propriétés des alliages à haute entropie.
« Nous avons dérivé des règles de conception pour le développement d’alliages à haute entropie. Et nous avons proposé plusieurs compositions que les expérimentateurs peuvent essayer de synthétiser et de faire », a ajouté Chen.
Les alliages à haute entropie sont une nouvelle frontière pour les scientifiques des matériaux. Il existe donc très peu de résultats expérimentaux. Ce manque de données a donc limité la capacité des scientifiques à en concevoir de nouvelles.
« C’est pourquoi nous effectuons des calculs à haut débit, afin d’étudier un très grand nombre d’espaces d’alliage à haute entropie et de comprendre leur stabilité et leurs propriétés élastiques », a déclaré Chen.
Il a fait référence à plus de 160 000 calculs de premier principe dans ce dernier ouvrage.
« Le grand nombre de calculs n’est fondamentalement pas possible à effectuer sur des clusters d’ordinateurs individuels ou des ordinateurs personnels », a déclaré Chen. « C’est pourquoi nous avons besoin d’accéder à des installations de calcul hautes performances, comme celles du TACC allouées par XSEDE. »
Chen a obtenu du temps sur le supercalculateur Stampede2 au TACC via XSEDE, une collaboration virtuelle financée par la National Science Foundation (NSF) qui facilite un accès gratuit et personnalisé à des ressources numériques avancées, des conseils, de la formation et du mentorat.
Malheureusement, le EMTO-CPA code Chen utilisé pour les calculs de la théorie de la fonction de densité mécanique quantique ne se prêtait pas bien à la nature parallèle de calcul haute performancequi prend généralement des calculs volumineux et les divise en calculs plus petits qui s’exécutent simultanément.
« Stampede2 et TACC via XSEDE nous ont fourni un code très utile appelé Launcher, qui nous a aidés à regrouper de petits travaux individuels en un ou deux gros travaux, afin que nous puissions tirer pleinement parti des nœuds de calcul haute performance de Stampede2 », a déclaré Chen.
La Lanceur Le script développé au TACC a permis à Chen de regrouper environ 60 petits travaux en un seul, puis de les exécuter simultanément sur un nœud hautes performances. Cela a augmenté leur efficacité et leur vitesse de calcul.
« De toute évidence, il s’agit d’une application à usage unique pour les superordinateurs, mais elle est également assez courante pour de nombreux problèmes de modélisation de matériaux », a déclaré Chen.
Pour ce travail, Chen et ses collègues ont appliqué une architecture de réseau informatique appelée Deep Sets pour modéliser les propriétés des alliages à haute entropie.
L’architecture Deep Sets peut utiliser les propriétés élémentaires d’alliages individuels à haute entropie et construire des modèles prédictifs pour prédire les propriétés d’un nouveau système d’alliage.
« Parce que ce cadre est si efficace, la plupart de la formation a été effectuée sur l’ordinateur personnel de nos étudiants », a déclaré Chen. « Cependant, nous avons utilisé TACC Stampede2 pour faire des prédictions à l’aide du modèle. »
Chen a donné l’exemple de la très étudiée Alliage de chantre – un mélange à peu près égal de fer, de manganèse, de cobalt, de chrome et de nickel. Ce qui est intéressant, c’est qu’il résiste à la fragilité à très basse température.
L’une des raisons en est ce que Chen a appelé «l’effet cocktail», qui produit des comportements surprenants par rapport aux éléments constitutifs lorsqu’ils sont mélangés à des fractions à peu près égales en tant qu’alliage à haute entropie.
L’autre raison est que lorsque plusieurs éléments sont mélangés, un espace de conception presque illimité est ouvert pour trouver de nouvelles structures de composition et même un tout nouveau matériau pour des applications qui n’étaient pas possibles auparavant.
« J’espère que davantage de chercheurs utiliseront des outils informatiques pour les aider à affiner les matériaux qu’ils souhaitent synthétiser », a déclaré Chen. « Les alliages à haute entropie peuvent être fabriqués à partir d’éléments faciles à trouver et, espérons-le, nous pourrons remplacer les métaux précieux ou les éléments tels que le platine ou le cobalt qui ont des problèmes de chaîne d’approvisionnement. Ce sont en fait des matériaux stratégiques et durables pour l’avenir.
L’étude, « Conception de la composition d’alliages à haute entropie avec apprentissage des ensembles profonds», a été publié en avril 2022 dans Matériaux de calcul Npj. Les auteurs de l’étude sont Jie Zhang, George Kim et Wei Chen de l’Illinois Institute of Technology ; Chen Cai et Yusu Wang de l’Université de Californie à San Diego.
Écrit par Jorge Salazar
La source: TACC