人工智能和高性能计算将演变扩展到超导体

材料设计:Argonne研究人员使用遗传算法获得更好的超导体。

纯种种马的所有者在几代人的比赛中精心培育获奖马匹,以百万美元的比赛勉强维持一秒钟。材料科学家从该剧本中汲取了一页,转向演化和人工选择的力量,开发出能够尽可能高效地传输电流的超导体。

也许违反直觉的是,大多数应用的超导体都可以在高磁场下工作,因为它们含有缺陷。超导体内缺陷的数量,尺寸,形状和位置共同作用以在存在磁场的情况下增强电流承载能力。然而,太多缺陷会导致阻断电流通路或超导材料的破坏,因此科学家需要选择性地将缺陷纳入材料中。

在美国能源部(DOEArgonne国家实验室)的一项新研究中,研究人员利用人工智能和高性能超级计算机的力量来介绍和评估不同配置的缺陷对超导体性能的影响。

研究人员开发了一种计算机算法,可以将每种缺陷视为生物基因。不同的缺陷组合产生能够承载不同电流量的超导体。一旦算法确定了一组特别有利的缺陷,它就会将这组缺陷重新初始化为“种子”,从中可以出现新的缺陷组合。

“模拟的每一次运行都等同于算法寻求优化的新一代缺陷的形成,”该研究的作者,阿贡的著名研究员和资深材料科学家Wai-Kwong Kwok说。 “随着时间的推移,缺陷结构逐渐变细,因为我们有意选择能够提供具有最高临界电流的材料的缺陷结构。”

缺陷形成超导体的这种基本部分的原因在于它们能够捕获和锚定在磁场存在下形成的磁涡流。当施加电流时,这些涡流可以在纯超导材料内自由移动。当他们这样做时,他们开始产生阻力,否定超导效应。保持涡流固定,同时仍然允许电流穿过材料,对于寻求在不损失应用超导体的情况下寻找传输电力的方法的科学家来说,这是一个圣杯。

为了找到合适的缺陷组合来阻止涡流的运动,研究人员用随机形状和大小的缺陷初始化了他们的算法。虽然研究人员知道这将远离最佳设置,但它为模型提供了一组中立的初始条件,可以从中起作用。当研究人员经历了连续几代模型时,他们看到初始缺陷转变为柱状,最终形成平面缺陷的周期性排列。

“当人们想到有针对性的进化时,他们可能会想到培育狗或马的人,”该研究的相应作者阿格贡材料科学家安德烈亚斯格拉茨说。 “我们的设计材料就是一个例子,计算机从前几代学到了最好的缺陷排列。”

人工缺陷选择过程的一个潜在缺点在于,某些缺陷模式可能在模型中变得根深蒂固,导致遗传数据的一种钙化。 “从某种意义上说,你可以把它想象成近亲繁殖,”郭说。 “在几代人之间保存我们的缺陷'基因库'中的大部分信息既有利也有局限,因为它不允许进行剧烈的系统范围转换。但是,我们的数字'进化'可以用不同的初始种子重复以避免这些问题。”

为了运行他们的模型,研究人员需要Argonne和Oak Ridge国家实验室的高性能计算设施。阿贡领导计算设施和橡树岭领导计算设施都是美国能源部科学用户设施办公室。

一篇基于该研究的文章“大型超导临界电流固定景观的目标演化”出现在5月21日的“美国国家科学院院刊”上。除了Kwok和Glatz之外,Argonne的Ivan Sadovskyy,Alexei Koshelev和Ulrich Welp也进行了合作。

研究经费来自美国能源部科学办公室。

故事来源:

物料 由…提供 能源部/阿贡国家实验室。注意:可以根据样式和长度编辑内容。

资讯来源:由0x资讯编译自SCIENCEDAILY,版权归作者所有,未经许可,不得转载
你可能还喜欢