Les scientifiques d'Argonne de plusieurs disciplines ont combiné leurs forces pour créer un nouveau processus de test et de prédiction des effets des températures élevées sur les oxydes réfractaires.

La fonte fond à environ 1, 200 degrés Celsius. L'acier inoxydable fond à environ 1, 520 degrés Celsius. Si vous souhaitez transformer ces matériaux en objets du quotidien, comme la poêle dans votre cuisine ou les outils chirurgicaux utilisés par les médecins, il va de soi que vous auriez besoin de créer des fours et des moules à partir de quelque chose qui peut résister même à ces températures extrêmes.

C'est là qu'interviennent les oxydes réfractaires. Ces matériaux céramiques peuvent résister à la chaleur brûlante et conserver leur forme, ce qui les rend utiles pour toutes sortes de choses, des fours et réacteurs nucléaires aux tuiles de protection thermique des engins spatiaux. Mais compte tenu des environnements souvent dangereux dans lesquels ces matériaux sont utilisés, les scientifiques veulent comprendre le mieux possible ce qui leur arrive à haute température, avant que les composants construits à partir de ces matériaux ne rencontrent ces températures dans le monde réel.

"Je ne dis pas que les humains ne sont pas géniaux, mais si nous obtenons de l'aide d'ordinateurs et de logiciels, nous pouvons être plus grands. Cela ouvre la porte à plus d'expériences comme celle-ci qui font progresser la science. »—Marius Stan, chef de programme, Conception de matériaux intelligents, Argonne

Une équipe de chercheurs du laboratoire national d'Argonne du département américain de l'Énergie (DOE) a trouvé un moyen de le faire. En utilisant des techniques expérimentales innovantes et une nouvelle approche des simulations informatiques, le groupe a mis au point une méthode non seulement pour obtenir des données précises sur les changements structurels que ces matériaux subissent près de leurs points de fusion, mais en prédisant avec plus de précision d'autres changements qui ne peuvent actuellement pas être mesurés.

Les travaux de l'équipe ont été publiés dans Lettres d'examen physique .

La graine de cette collaboration a été plantée par Marius Stan, responsable du programme Intelligent Materials Design de la division Applied Materials d'Argonne. Le groupe de Stan avait développé de nombreux modèles et simulations sur les points de fusion des oxydes réfractaires, mais il voulait les tester.

"C'est ancré dans le désir de voir si nos modèles et simulations mathématiques représentent la réalité ou non, ", a déclaré Stan. "Mais cela a évolué vers une étude de l'apprentissage automatique. Ce que je trouve le plus excitant, c'est qu'il existe désormais un moyen pour nous de prédire automatiquement les interactions entre les atomes."

Cette innovation a commencé par retourner un script familier, selon Ganesh Sivaraman, auteur principal de l'article et assistant scientifique en informatique à la division Data Science and Learning à Argonne. Il a effectué ce travail alors qu'il était post-doctorant à l'Argonne Leadership Computing Facility (ALCF), une installation utilisateur du DOE Office of Science.

Alors que la plupart des expériences commencent par un modèle théorique, en gros, une estimation informée et instruite de ce qui se passera dans des conditions réelles - l'équipe voulait commencer celle-ci avec des données expérimentales et concevoir leurs modèles autour de cela.

Sivaraman raconte l'histoire d'un célèbre mathématicien allemand qui voulait apprendre à nager, alors il a pris un livre et a lu à ce sujet. Créer des théories sans considérer les données expérimentales, Sivaraman a dit, c'est comme lire un livre sur la natation sans jamais entrer dans une piscine. Et l'équipe d'Argonne a voulu se lancer dans le grand bain.

"Il est plus précis de construire un modèle autour de données expérimentales, " a déclaré Sivaraman. " Cela rapproche le modèle de la réalité. "

Pour obtenir ces données, les informaticiens se sont associés au physicien Chris Benmore et à la physicienne adjointe Leighanne Gallington de la division des sciences des rayons X d'Argonne. Benmore et Gallington travaillent à l'Advanced Photon Source (APS), une installation d'utilisateurs du DOE Office of Science à Argonne, qui génère des faisceaux de rayons X très lumineux pour éclairer les structures des matériaux, entre autres. La ligne de lumière qu'ils ont utilisée pour cette expérience leur permet d'examiner la structure locale et à longue distance des matériaux dans des conditions extrêmes, telles que les températures élevées.

Bien sûr, chauffer des oxydes réfractaires - dans ce cas, dioxyde d'hafnium, qui fond vers 2, 870 degrés Celsius — vient avec ses propres complications. Ordinairement, l'échantillon serait dans un conteneur, mais il n'y en a pas un disponible qui résisterait à ces températures et permettrait encore aux rayons X de les traverser. Et vous ne pouvez même pas poser l'échantillon sur une table, car la table fondra avant l'échantillon.

La solution s'appelle la lévitation aérodynamique et implique des scientifiques utilisant du gaz pour suspendre un petit échantillon sphérique (2-3 mm de diamètre) de matériau d'environ un millimètre dans l'air.

"Nous avons une buse reliée à un flux de gaz inerte, et comme il suspend l'échantillon, un laser de 400 watts chauffe le matériau par le haut, " a déclaré Gallington. " Vous devez modifier le flux de gaz pour le faire léviter de manière stable. Vous ne le voulez pas trop bas, parce que l'échantillon touchera la buse, et pourrait s'y fondre."

Une fois que les données ont été recueillies et que les scientifiques de la ligne de lumière ont bien compris ce qui se passe lorsque l'oxyde d'hafnium fond, les informaticiens ont pris le ballon et ont couru avec. Sivaraman a introduit les données dans deux ensembles d'algorithmes d'apprentissage automatique, l'un d'entre eux qui comprend la théorie et peut faire des prédictions, et un autre - un algorithme d'apprentissage actif - qui agit comme un assistant d'enseignement, en ne donnant au premier que les données les plus intéressantes avec lesquelles travailler.

"L'apprentissage actif aide d'autres types d'apprentissage automatique à apprendre avec moins de données, " expliqua Sivaraman. " Supposons que vous vouliez marcher de votre maison au marché. Il peut y avoir plusieurs façons d'y arriver, mais il suffit de connaître le chemin le plus court. L'apprentissage actif indiquera le chemin le plus court et filtrera les autres."

Les calculs ont été effectués sur des supercalculateurs à l'ALCF et au Laboratoire de ressources informatiques d'Argonne. L'équipe s'est retrouvée avec un modèle généré par ordinateur basé sur des données réelles, celui qui leur permet de prédire des choses que les expérimentateurs n'ont pas – ou n'ont pas pu – capturer.

"Nous avons ce qu'on appelle un potentiel multiphasé, et il peut prédire beaucoup de choses, " a déclaré Benmore. " Nous pouvons maintenant aller de l'avant et vous donner d'autres paramètres, comme la façon dont il conserve sa forme à haute température, que nous n'avons pas mesuré. Nous pouvons extrapoler ce qui se passerait si nous dépassions la température que nous pouvons atteindre."

"Le modèle est aussi bon que les données que vous lui donnez, et plus tu lui donnes mieux c'est, " Benmore ajouté. "Nous donnons autant d'informations que nous pouvons, et le modèle s'améliore."

Sivaraman décrit ce travail comme une preuve de concept, celui qui peut alimenter d'autres expériences. C'est un bel exemple, il a dit, de collaboration entre les différentes parties de l'Argonne, et de recherches qui ne pourraient se faire sans les ressources d'un laboratoire national.

"Nous allons répéter cette expérience sur d'autres matériaux, " a déclaré Sivaraman. "Nos collègues de l'APS ont l'infrastructure pour étudier comment ces matériaux fondent dans des conditions extrêmes, et nous travaillons avec des informaticiens pour créer le logiciel et l'infrastructure de streaming pour traiter rapidement ces ensembles de données à grande échelle. Nous pouvons intégrer l'apprentissage actif dans le cadre et enseigner des modèles pour traiter plus efficacement le flux de données à l'aide de supercalculateurs ALCF. »

Pour Stan, la preuve de concept est celle qui peut remplacer l'ennui nécessaire des personnes travaillant sur ces calculs précis. Il a vu cette technologie évoluer au cours de sa carrière, et maintenant ce qui prenait des mois ne prend que quelques jours.

"Je ne dis pas que les humains ne sont pas géniaux, " il en riant, "mais si nous obtenons de l'aide d'ordinateurs et de logiciels, nous pouvons être plus grands. Cela ouvre la porte à plus d'expériences comme celle-ci qui font avancer la science."