elementos de mezcla directa | Ciencias Computacionales Naturaleza

No hay duda de que los materiales sintéticamente complejos (CCM), que se forman al mezclar múltiples elementos, son de gran interés para las comunidades de ciencia e ingeniería de materiales. La disponibilidad de una gran cantidad de elementos combinados en redes de materiales amplía enormemente el espacio químico para el diseño de materiales. A su vez, esta expansión podría ayudar a los científicos de materiales a llegar a reinos de materiales previamente inexplorados, lo que permitiría potencialmente propiedades mejoradas y exóticas de los materiales y permitiría a los investigadores explorar aplicaciones sin precedentes.

Este número representa un enfoque, en colaboración con materiales de la naturaleza, que destaca los desarrollos recientes en el floreciente campo del acoplamiento de elementos complejos y recopila opiniones de expertos sobre oportunidades en el diseño de CCM para ampliar las capacidades de los materiales. Cabe señalar que estamos en Ciencias Computacionales Naturaleza Presentar una colección de manuscritos que brindan información sobre cuestiones críticas en el desarrollo del método computacional para dirigir la mezcla de elementos en los CCM.

No hace falta decir que el campo de la ciencia de materiales computacionales ha experimentado un crecimiento exponencial en las últimas décadas en lo que respecta al diseño de materiales didácticos. Por ejemplo, los métodos de primeros principios a escala atómica y electrónica han hecho posible calcular defectos de energía y estructuras electrónicas, proporcionando información sobre el diseño dopado en aplicaciones de semiconductores, como transistores y energía fotovoltaica.¹. Como otro ejemplo, los métodos computacionales de mediana escala, como los métodos de campo de fase², se han utilizado ampliamente para investigar las propiedades de los materiales relacionadas con la cinética y la evolución microestructural. Sin embargo, estas técnicas convencionales pueden ser ineficaces cuando se trata de nuevas complejidades que surgen con CCM, como la reducción de la simetría del cristal, el aumento del número de fases en competencia y los desequilibrios en las interacciones entre diferentes pares atómicos. Por lo tanto, existe un esfuerzo en la comunidad de ciencias computacionales para utilizar de manera efectiva el poder computacional disponible para guiar el diseño de los CCM.

Los modelos basados ​​en la física continúan brindando avances fundamentales para el proceso de diseño de materiales, pero no sin encontrar obstáculos: un desafío computacional central es modelar con precisión la complejidad y mantener la computación asequible. Una de las tareas principales en la ingeniería de materiales es, por ejemplo, predecir las propiedades defectuosas de los materiales y relacionar estas propiedades con el diseño de la aplicación. Cuando se modelan defectos en CCM, como vacantes y anuncios interfaciales, es computacionalmente costoso muestrear y calcular el número creciente de sitios con defectos desproporcionados dentro de diferentes entornos químicos locales. en Punto de vistaXie Zhang y sus colegas brindan una descripción general de los desafíos y oportunidades para extender los modelos físicos de defectos tradicionales a los CCM. Argumentan que los modelos activos de defectos convencionales se pueden extender a los CCM al definir una energía de modulación efectiva con la ayuda de herramientas computacionales avanzadas, como métodos estadísticos, técnicas de muestreo y herramientas de modulación de formación. Zhang y sus colegas también señalan que calcular las energías para un espacio de configuración tan grande utilizando métodos puramente mecánicos cuánticos, como la teoría funcional de la densidad (DFT), es demasiado costoso y, por lo tanto, los posibles modelos interatómicos alternativos que pueden reproducir el cuántico. Se requiere precisión de nivel.

Para abordar algunos de los desafíos que enfrentan los modelos tradicionales basados ​​en la física, las tecnologías basadas en inteligencia artificial (IA) que aprenden modelos a partir de datos se han identificado como un nicho prometedor en este campo. Por ejemplo, como se presenta en el archivo revisar Por Alberto Ferrari y sus colegas, el potencial clásico ampliamente utilizado se ha vuelto inaplicable para describir el orden de corto alcance (SRO) ubicuo y técnicamente relevante, un tipo de orden de elementos locales, en CCM, ya que diferentes elementos adsorbidos requieren una gran cantidad de parámetros para simular Relaciones confiables de alta dimensión entre átomos. Ferrari y sus colegas argumentan que las capacidades de aprendizaje automático interatómico, como los potenciales de bajo orden y los potenciales de tensor de par, se pueden utilizar para investigar de manera efectiva SRO en CCM. De manera similar, Dierk Raabe y sus colegas examinaron Punto de vista ¿Cómo pueden los modelos de IA considerar restricciones adicionales durante los procesos de optimización para la selección de elementos y el diseño de la composición a fin de brindar una mejor orientación para controlar las impurezas durante el proceso de fabricación? Como ejemplo, las limitaciones relacionadas con el reciclaje de elementos mixtos se pueden tener en cuenta para fabricar materiales más sostenibles. La importancia de controlar las trazas de impurezas en el diseño de aleaciones también se destaca en A materiales de la naturaleza Pregunta y respuesta Con Zhi-Wei Shan.

Cabe señalar que los modelos basados ​​en IA pueden complementar, en lugar de simplemente reemplazar, los modelos basados ​​en la física. Por otro lado, los enfoques de IA pueden expandir en gran medida el espacio de búsqueda para identificar relaciones físicas más complejas para el diseño de CCM, pero esta gran dimensión en el espacio de búsqueda puede afectar la eficiencia. Por otro lado, los modelos basados ​​en la física se basan en formas funcionales invariantes que pueden restringir un poco los nuevos descubrimientos, pero pueden guiar el proceso de diseño de manera más eficiente. Como demostraron Rabi y sus colegas, incorporar relaciones físicas, como las leyes de la termodinámica y las predicciones DFT, en los modelos de IA como restricciones es una estrategia prometedora en el campo que puede mejorar la optimización y la eficiencia de la investigación a través de un cuidadoso equilibrio entre la exploración y la explotación.

Este enfoque también contiene artículos de investigación primarios publicados en materiales de la naturaleza, que demuestra cómo se pueden lograr propiedades exóticas a través de una sofisticada ingeniería de mezcla elemental. Por ejemplo, archivo condición por Hang Xue y colaboradores demuestra una estrategia de estabilización de soluto intersticial para producir nanoprecipitados altamente estables y de alta densidad en aleaciones aditivas de Al-Cu-Mg-Ag, lo que permite que la aleación de Al alcance una resistencia a la fluencia sin precedentes, así como una tracción excepcional resistencia a altas temperaturas. en otro lugar condiciónJinlong Du y sus colaboradores informaron sobre la perturbación reversible local del transporte de precipitados a través del diseño cuidadoso de elementos en aleaciones metálicas de múltiples componentes que permiten una alta tolerancia a la radiación a altas temperaturas. Finalmente, AJ condición Informado por Jiadong Zhu y sus colegas informaron la síntesis de varios CCM 2D que logran propiedades de materiales ajustables como el ferromagnetismo y la superconductividad. Creemos que historias exitosas similares seguirán interesando a nuestra comunidad, particularmente con la orientación de conocimientos teóricos y computacionales.

Finalmente, nos gustaría resaltar el hecho de que el diseño de CCM requiere una colaboración interdisciplinaria entre experimentadores, teóricos y científicos computacionales. Si bien los conocimientos teóricos y computacionales pueden ayudar a los experimentadores a navegar mejor por el amplio espacio de diseño, los mecanismos teóricos necesitan nuevos datos experimentales para validar los resultados y proporcionar comentarios constructivos al experimento. Espero que este sea un enfoque común entre Ciencias Computacionales Naturaleza Y materiales de la naturaleza Inspirarás nuevas colaboraciones que acelerarán nuevos descubrimientos en ingeniería de materiales.