AI voorspelt sterkte van hardmetaal zonder dure supercomputer

Wetenschappers van het Skoltech Materials Center in Moskou hebben een nieuwe rekenmethode gepresenteerd waarmee de mechanische eigenschappen van composietmaterialen veel nauwkeuriger te voorspellen zijn dan voorheen. De aanpak combineert machine learning met een vorm van zelflerend bijleren, en werd getest op wolfraamcarbide-kobalt: een hard metaalkeramisch materiaal dat in de industrie bekendstaat als hardmetaal en veel wordt gebruikt in boren, snijgereedschap en slijtvaste onderdelen. Het onderzoek is gepubliceerd in het vakblad Computational Materials Science.

Het probleem met precieze berekeningen

Om te voorspellen hoe sterk of taai een materiaal is, gebruiken natuurkundigen normaal dichtheidsfunctionaaltheorie (DFT): een reken methode uit de kwantummechanica die het gedrag van atomen en elektronen tot in detail simuleert. Het probleem is dat DFT extreem rekenintensief is. Praktisch bruikbare berekeningen blijven daardoor beperkt tot een paar honderd atomen, terwijl een echt stuk materiaal, met korrelgrenzen, defecten en verschillende kristallen naast elkaar, al snel tienduizenden atomen telt. Voor materialen als hardmetaal, waarbij harde wolfraamcarbidekorrels zijn ingebed in een taaiere kobaltmatrix, is dat een groot probleem: juist die opbouw op grotere schaal bepaalt of het materiaal bros breekt of juist buigzaam vervormt.

Automatisch bijleren tijdens de berekening

Om dit te omzeilen gebruikten de onderzoekers zogeheten moment tensor potentials: wiskundige modellen die, eenmaal getraind op DFT-data, het gedrag van atomen razendsnel kunnen benaderen zonder dat alle kwantummechanische details opnieuw doorgerekend hoeven worden. Het slimme zit in de training: tijdens de simulatie van een groot stuk materiaal spoort het systeem zelf plekken op waar de voorspelling onbetrouwbaar dreigt te worden, bijvoorbeeld bij een ongewone atoomomgeving rond een korrelgrens. Dat kleine stukje wordt dan alsnog met DFT doorgerekend, en die extra data wordt gebruikt om het model bij te scholen. Zo breidt de nauwkeurigheid van het model zich stap voor stap uit, precies op de plekken waar dat nodig is.

Volgens hoofdonderzoeker Alexander Kvashnin, hoogleraar aan het Skoltech Materials Center, lost dit een fundamenteel knelpunt in de materiaalkunde op. Directe DFT-simulaties van complexe, heterogene materialen zijn volgens hem onmogelijk vanwege het beperkte aantal atomen dat ermee te berekenen valt, terwijl echte polykristallijne materialen daar ver bovenuit gaan. Met de nieuwe methode kunnen ingenieurs en materiaalonderzoekers eigenschappen van materialen voorspellen zonder dure en tijdrovende experimenten vooraf.

Met de methode toonden de onderzoekers aan hoe het gedrag van wolfraamcarbide-kobalt geleidelijk verandert van bros naar taai naarmate het aandeel kobalt toeneemt. Dat soort kennis is belangrijk bij het ontwerpen van materialen met de juiste balans tussen hardheid en breukvastheid. Promovendus Faridun Jalolov, eerste auteur van de studie, noemt de aanpak universeel toepasbaar op een breed scala aan composiet- en polykristallijne materialen, van keramiek tot nanostructuren.