Des chercheurs de l’Université de l’Illinois ont développé une méthode plus rapide et plus approfondie pour modéliser la diffusion dans les alliages à l’aide de « kinosons » et de l’apprentissage automatique, révolutionnant potentiellement la façon dont ce processus critique est compris et étudié. Crédit : Issues.fr.com
Des chercheurs de l’Université de l’Illinois à Urbana-Champaign ont redéfini la diffusion dans les alliages à plusieurs composants en la décomposant en éléments distincts qu’ils appellent « kinosons ». Employant apprentissage automatiqueils ont analysé la répartition statistique de ces éléments, leur permettant de modéliser la alliage et déterminer sa diffusivité beaucoup plus efficacement qu'en calculant des trajectoires entières. Leurs découvertes ont été récemment publiées dans la revue Lettres d'examen physique.
« Nous avons trouvé un moyen beaucoup plus efficace de calculer la diffusion dans les solides et, en même temps, nous en avons appris davantage sur les processus fondamentaux de diffusion dans ce même système », explique Dallas Trinkle, professeur de science et d'ingénierie des matériaux, qui a dirigé ce travail avec avec l'étudiant diplômé Soham Chattopadhyay.
La diffusion dans les solides est le processus par lequel les atomes se déplacent dans un matériau. La production d’acier, le déplacement des ions dans une batterie et le dopage de dispositifs semi-conducteurs sont autant de choses contrôlées par la diffusion.
Défis liés à la simulation de diffusion
Ici, l'équipe a modélisé la diffusion dans des alliages à plusieurs composants, qui sont des métaux composés de cinq éléments différents : le manganèse, le cobalt, le chrome, le fer et le nickel dans cette recherche, en quantités égales. Ces types d’alliages sont intéressants car une façon de fabriquer des matériaux solides consiste à ajouter différents éléments, comme l’ajout de carbone et de fer pour fabriquer de l’acier. Les alliages multicomposants possèdent des propriétés uniques, telles qu’un bon comportement mécanique et une stabilité à haute température. Il est donc important de comprendre comment les atomes se diffusent dans ces matériaux.
Une série d'« états » (points) connectés à des « transitions » (lignes) dans un système complexe. Les points plus gros correspondent aux états dans lesquels plus de temps est passé pendant la simulation, les lignes plus épaisses pour des transitions plus rapides. Observer de longues trajectoires comportant de nombreux sauts demande beaucoup d'efforts de calcul ; le modèle d'apprentissage automatique convertit ce système (à gauche) en un système équivalent ayant le même comportement de diffusivité, mais où le calcul de la diffusion est beaucoup plus simple (à droite). Dans le système non corrélé, chaque saut correspond à un « kinoson », une petite contribution à la diffusion et la somme de tous les kinosons donne la diffusivité. Crédit : Le Grainger College of Engineering de l'Université de l'Illinois à Urbana-Champaign
Pour avoir une bonne idée de la diffusion, de longues échelles de temps sont nécessaires, car les atomes se déplacent de manière aléatoire et, avec le temps, leur déplacement par rapport au point de départ augmentera. « Si quelqu'un essaie de simuler la diffusion, c'est pénible car il faut exécuter la simulation pendant très longtemps pour obtenir une image complète », explique Trinkle. «Cela limite vraiment de nombreuses façons dont nous pouvons étudier la diffusion. Des méthodes plus précises pour calculer les taux de transition ne peuvent souvent pas être utilisées car vous ne seriez pas en mesure de réaliser suffisamment d’étapes de simulation pour obtenir la trajectoire à long terme et obtenir une valeur raisonnable de diffusion.
Un atome peut sauter vers la gauche, mais ensuite revenir vers la droite. Dans ce cas, l’atome n’a bougé nulle part. Maintenant, disons qu'il saute à gauche, puis 1000 autres choses se produisent, puis il revient à droite. C'est le même effet. Trinkle dit : « Nous appelons cela corrélation parce qu’à un moment donné, l’atome a fait un saut, puis plus tard, il a annulé ce saut. C'est ce qui rend la diffusion compliquée. Lorsque nous regardons comment l’apprentissage automatique résout le problème, ce qu’il fait en réalité, c’est transformer le problème en un problème où il n’y a aucun de ces sauts corrélés.
Simplifier la diffusion grâce à l'apprentissage automatique
Par conséquent, tout saut effectué par un atome contribue à la diffusion et le problème devient beaucoup plus facile à résoudre. «Nous appelons ces sauts des kinosons, pour les petits mouvements», explique Trinkle. « Nous avons montré qu'il est possible d'en extraire la distribution, la probabilité de voir un kinoson d'une certaine ampleur, et de les additionner pour obtenir la véritable diffusivité. En plus de cela, vous pouvez voir comment différents éléments se diffusent dans un solide.
Un autre avantage de la modélisation de la diffusion à l’aide des kinosons et de l’apprentissage automatique est qu’elle est nettement plus rapide que le calcul de trajectoires entières sur une longue période. Trinkle affirme qu'avec cette méthode, les simulations peuvent être effectuées 100 fois plus rapidement qu'avec les méthodes normales.
« Je pense que cette méthode va vraiment changer notre façon de penser la diffusion », dit-il. « C'est une manière différente d'envisager le problème et j'espère que dans les 10 prochaines années, ce sera la manière standard d'envisager la diffusion. Pour moi, l’une des choses les plus intéressantes n’est pas seulement que cela fonctionne plus rapidement, mais que l’on en apprend également davantage sur ce qui se passe dans le système.
Cette recherche a été financée par la National Science Foundation dans le cadre du programme NO MPS-1940303.
