使用“Kinosons”和机器学习模拟扩散

伊利诺伊大学厄巴纳-香槟分校的研究人员将多组分合金中的扩散重新定义为个体贡献之和，称之为“kinosons”。他们利用机器学习计算个体贡献的统计分布，成功地模拟了合金并计算出其扩散性能，效率比计算整个轨迹高出数个数量级。这项工作最近在《物理评论快报》杂志上发表。

该研究的负责人、材料科学与工程教授达拉斯·特林克表示：“我们找到了一种更有效的计算固体扩散的方法，同时，我们也对该系统中的扩散基本过程有了更深入的了解。” 他与研究生索汉姆·查托帕迪亚合作完成了这项工作。

固体中的扩散是指原子在材料中的移动过程。钢铁的生产、离子在电池中的运动以及半导体器件的掺杂都受到扩散的控制。

研究团队模拟了多组分合金中的扩散，这些合金由五种不同元素组成——锰、钴、铬、铁和镍。这些类型的合金非常有趣，因为制造强度材料的一种方式是将不同元素加在一起，就像将碳和铁混合制造钢铁一样。多组分合金具有独特的性能，如良好的力学行为和高温稳定性，因此了解这些材料中原子的扩散方式非常重要。

为了更好地观察扩散，需要较长的时间尺度，因为原子会随机移动，并且随着时间的推移，它们距离起始点的位移将会增加。“如果有人试图模拟扩散，将会很麻烦，因为必须运行非常长的时间才能得到完整的图景，” 特林克说道。“这实际上限制了我们研究扩散的许多方式。通常更准确的计算转变速率的方法无法使用，因为你无法进行足够多步骤的模拟来获得长时间轨迹并得到合理的扩散值。”

原子可能向左跳，然后再向右跳回去。在这种情况下，原子并没有移动到任何地方。现在，假设它向左跳，然后发生了其他1000件事情，然后又向右跳回去。这具有相同的效果。特林克解释说：“我们称之为相关性，因为在某一点，原子做了一次跳跃，然后在以后又撤销了那次跳跃。这就是使得扩散变得复杂的原因。当我们看机器学习是如何解决这个问题时，它实际上是在改变问题，使得没有这些相关的跳跃。”

因此，原子所做的任何跳跃都会对扩散产生影响，这个问题变得容易得多。特林克说：“我们称这些跳跃为kinosons，意思是小移动。我们已经证明，你可以提取这些跳跃的分布，即看到某个大小的kinoson的概率，并将它们相加以获得真正的扩散性能。除此之外，你还可以了解不同元素在固体中的扩散方式。”

使用kinosons和机器学习模拟扩散的另一个优势是，它比计算长时间尺度的整个轨迹要快得多。特林克说，采用这种方法，模拟速度比常规方法快100倍。

他表示：“我认为这种方法确实将改变我们对扩散的看法。这是一种不同的问题视角，我希望在未来10年，这将成为观察扩散的标准方法。对我来说，其中一个令人兴奋的事情不仅在于它的更快速，而且你还能更多地了解系统中正在发生的事情。”