热力学性质的优化模型

Argonne团队将先进的建模技术与具有300年历史的统计分析技术相结合，以提高材料特性。

在你生命中的某个时刻，你可能有某个人 – 父母，老师，导师 – 告诉你“你练的越多，你就越好。”这种表达通常归功于托马斯贝叶斯，一位18世纪的英国大臣，他有兴趣赢得比赛，并将这种简单的观察形式化为现在著名的数学表达。

用于检查构成概念或现象的行为，属性和其他机制，贝叶斯分析使用一系列不同但相似的数据来统计地通知该概念或现象的最佳模型。

“简单地说，贝叶斯统计是从我们目前最好的理解开始，然后用实验或模拟的新数据更新，以获得更好的理解，”美国部门计算材料科学家诺亚保尔森说。能源部（DOE）阿贡国家实验室。

该方法自成立以来的300多年中取得了一些成功，但这是一个时间终于到来的想法。

在某些领域，如Cosmos学，研究人员已经成功开发和共享贝叶斯技术和代码已有一段时间了。在其他方面，如材料科学，贝叶斯分析方法的实施刚刚开始产生效益。

“简而言之，贝叶斯统计数据是一种定义我们已经理解的东西的方法，然后通过实验或模拟中的新数据对其进行更新，以获得更准确的理解。” – Argonne国家实验室计算材料科学家Noah Paulson

Paulson和几位Argonne同事正在应用贝叶斯方法来量化材料热力学性质的不确定性。换句话说，他们希望确定他们在收集的材料数据和用于表示这些数据的数学模型中可以放置多少信心。

虽然统计技术适用于许多领域，但研究人员着手创建铪（Hf）热力学性质的最佳模型，铪是一种新兴的金属，是计算机电子学的关键组成部分。这种方法得出的结果将发表在2019年9月出版的“国际工程科学杂志”上。

“我们发现我们对这种材料一无所知，因为有太多的数据集和如此多的冲突信息。所以我们进行了贝叶斯分析，提出了一个社区可以接受并用于研究和应用的模型， “Ariusne应用材料部门（AMD）负责智能材料设计的Marius Stan说，他是芝加哥大学高级科学与工程联合会和西北阿贡科学与工程研究所的高级研究员。

为了得出材料热力学性质的最佳模型，研究人员使用一些先前的知识或与主题相关的数据作为起点。

在这种情况下，该团队正在寻找最佳模型来确定焓（材料中的能量）和比热（将材料单位质量的温度提高1Celsius度所需的热量）铪。代表方程式和数学表达式，模型具有控制它们的不同参数。目标是找到最佳参数。

“我们必须首先猜测这些参数应该是什么，”AMD的Thermal and Structural Materials集团的保尔森说。 “通过文献我们发现了一些有意义的范围和价值观，因此我们将这些用于我们之前的分发。”

研究人员探索的一个参数是晶体最高正常振动模式的温度。被称为爱因斯坦或德拜温度，该参数影响材料的比热。

先前或初步猜测基于现有模型，初步数据或该领域专家的直觉。使用来自实验或模拟的校准数据，贝叶斯统计更新了先验知识并确定了后验 – 对模型的更新理解。然后，贝叶斯框架可以确定新数据是否与正在测试的模型更好或更差地一致。

“与Cosmos学一样，材料科学必须找到最佳解释数据的最佳模型和参数值，然后确定与这些参数相关的不确定性。没有错误条就没有太多关注具有最佳拟合参数值，”团队成员说Elise Jennings，Argonne领导计算机构（ALCF）统计计算科学家，DOEOffice of Science用户设施，以及芝加哥大学KavliCosmos物理研究所的合伙人。

她说，这是材料科学面临的最大挑战：缺乏可用数据中心化的误差或不确定性。例如，铪研究依赖于从以前发表的论文中选择的数据集，但错误范围不存在或被排除在外。

因此，除了介绍铪的特定热力学性质的模型之外，本文还探讨了材料科学和其他研究领域可以允许没有不确定性的数据集的技术。

“对于科学家或工程师来说，这是一个重要的问题，”斯坦说。 “我们正在提出一种更好的方法来评估我们的信息有多重要。我们想知道我们可以对模型和数据多少信任。这项工作揭示了一种方法，一种更好的评估方法。”

基于该研究的论文“材料热力学性质的不确定性量化的贝叶斯策略”可在线（6月13日）获得，并将出现在2019年9月的“国际工程科学杂志”上。 Noah Paulson，Elise Jennings和Marius Stan合作进行了这项研究。

该研究得到了由国家标准与技术研究所（NIST）资助的CHiMaD计划的支持。

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。