机器学习激光悬浮揭露耐火材料熔化过程

　　编译/凯霞
　　生铁在1, 200 ℃左右熔化。不锈钢的熔点约为1, 520 ℃。如果要将这些材料做成日常物品，例如，厨房的煎锅或医生使用的外科工具，则需要使用即使在极端温度下也能承受的材料。
　　这就是难熔氧化物的用途。这些陶瓷材料可以承受高温并保持形状，它们适用于从窑炉、核反应堆到航天器的隔热砖等各种物体。但考虑到使用这些材料时候的「危险环境」，科学家希望在使用这些材料制成的组件遇到现实世界中的温度之前，尽可能多地了解高温下它们会发生什么。
　　近日，美国能源部（DOE）的阿贡（Argonne）国家实验室研究人员提出了一种解决方案。他们使用创新的实验技术和计算机模拟技术设计了一种新的方法，该方法不仅可以获取有关这些材料在其熔点附近经历的结构变化的精确数据，而且可以更准确地预测当前无法测量的其他变化。
　　研究成果以题为「实验驱动的难熔氧化物的自动机器学习的原子间势」（Experimentally Driven Automated Machine-Learned Interatomic Potential for a Refractory Oxide）发表在《物理评论快报》（PHYSICAL REVIEW LETTERS）上。
　　合作的「种子」
　　这次合作的种子是由Argonne应用材料部门智能材料设计计划的负责人Marius Stan播种的。Stan的小组已经开发了许多有关难熔氧化物熔点的模型和模拟，但他想对其进行测试。
　　Stan说：「这源于人们希望看到我们的数学模型和模拟是否代表现实。但它已经演变成对机器学习的研究。最令人兴奋的是，现在我们有了一种自动预测原子之间相互作用的方法。」
　　该论文的主要作者Ganesh Sivaraman认为，这种创新始于翻转熟悉的脚本。
　　大多数实验基本上都是从理论模型开始的，这是对现实生活中会发生什么的明智和有根据的猜测，因此，该团队希望从实验数据开始，并以此为基础设计他们的模型。
　　Sivaraman说：「在不考虑实验数据的情况下创造理论，就像是读一本关于游泳的书，而无需进入游泳池。Argonne团队想跳到最深处，围绕实验数据建立更为准确的模型，使模型更接近现实。」
　　图示：实验驱动的工作流程。（来源：论文）
　　为了获得这些数据，计算科学家与Argonne X射线科学部的物理学家Chris Benmore和助理物理学家Leighanne Gallington进行了合作。Benmore和Gallington在Argonne的DOE科学用户设施高级光子源（APS）工作，APS产生非常明亮的X射线束，以照亮材料的结构。他们在本实验中使用的光束线使他们能够在极端条件下（例如高温）检查材料的局部和远程结构。
　　当然，在这种情况下，加热难熔氧化物二氧化铪(在2, 870 ℃左右融化)也会带来复杂的问题。通常，样品会放在一个容器中，但是没有一种容器能够承受这样的温度，同时还能允许x射线通过。甚至不能将样品放在桌子上，因为桌子会在样品熔化之前融化。
　　气动悬浮
　　该解决方案称为气动悬浮，科学家使用气体将小的（直径为2-3毫米）球形样品悬浮在空气中约1毫米。
　　Gallington说：「我们有一个与惰性气体流相连的喷嘴，当它悬浮样品时，一台400瓦的激光从上方加热该材料。你需要调整气流以使其稳定悬浮。你不希望它过低，因为样品会碰到喷嘴，并可能熔化。」
　　主动学习
　　一旦获取了数据，并且光束线的科学家对氧化铪熔化后会发生的情况有了很好的了解，计算机科学家便拿着球运行它。Sivaraman将数据输入两组机器学习算法中，其中一组可以理解理论并做出预测，而另一种是主动学习算法充当「助教」，只为第一个提供最有趣的数据。
　　「主动学习可以帮助其他类型的机器学习以更少的数据进行学习，」 Sivaraman解释说。「假设你要从你家走到市场。到达那里可能有很多方法，但是你只需要知道最短的路径即可。主动学习将指出最短的路径，并过滤掉其他的路径。」
　　计算是在ALCF和位于Argonne的实验室计算资源中心的超级计算机上运行的。团队最终得到的是一种基于现实生活数据的计算机生成的模型，该模型可以让他们预测实验人员没有或无法捕获的东西。
　　Benmore说：「我们有所谓的多相电位，它可以预测很多事情。我们现在可以继续为你提供其他参数，例如它在高温下保持形状的程度，这是我们无法测量的。我们可以推断出，如果温度超出可达到的范围，将会发生什么。」
　　Benmore补充说：「模型的好坏取决于你提供的数据，你提供的数据越多，它就会变得越好。我们会提供尽可能多的信息，模型会变得更好。」
　　过去需要几个月，现在只需几天
　　Sivaraman将这项工作描述为一种概念证明，可以将其反馈到进一步的实验中。
　　Sivaraman说：「我们将在其他材料上重复这一实验。我们的APS同事拥有研究这些材料在极端条件下如何融化的基础设施，我们正在与计算机科学家合作开发软件和流媒体基础设施，以快速地处理这些大规模数据集。我们可以将主动学习纳入框架并教授模型使用ALCF超级计算机更有效地处理数据流。」
　　对于Stan来说，概念的证明可能会取代人们进行精确计算所必需的枯燥工作。在他的职业生涯中，他见证了这项技术的发展，过去需要几个月的时间，现在只需几天。
　　Stan笑着说：「我并不是说人类不伟大，但如果我们从计算机和软件中获得帮助，我们将会变得更强大。这为更多这样的促进科学发展的实验打开了大门。」
　　论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.126.156002
　　参考内容：
　　https://phys.org/news/2021-05-lasers-levitation-machine-heat-resistant-materials.html