AI-gestuurde data-efficiënte schatting van partitiefuncties in gedesordeerde materialen

Waarom kleine onvolkomenheden in rommelige materialen ertoe doen

Veel van de meest veelbelovende materialen van tegenwoordig — van nucleaire brandstoffen tot hoogpresterende legeringen — zijn geen perfect geordende kristallen maar chemische “patchworks” waarin verschillende atomen grondig gemengd zijn. Binnen deze rommelige structuren bepalen piepkleine ontbrekende atomen en andere defecten hoe warmte, elektriciteit en zelfs stralingsschade zich door het materiaal verplaatsen. Het artikel introduceert PULSE, een nieuw kunstmatig-intelligentie-instrument dat veel efficiënter dan traditionele computersimulaties kan voorspellen hoe zulke defecten zich gedragen in complexe, gedesordeerde materialen.

Het probleem van het bijna ontelbare tellen

In multicomponentmaterialen zoals uranium-plutoniummengoxiden of hoog-entropy legeringen kunnen atomen op een enorme hoeveelheid manieren roosterplaatsen innemen. Elke onderscheidende rangschikking, of configuratie, kan de vorming en migratie van defecten lichtelijk veranderen. Om eigenschappen uit de echte wereld te voorspellen, moeten wetenschappers in principe al deze mogelijkheden in rekening brengen, wat wiskundig wordt vastgelegd door een grootheid die een partitiefunctie wordt genoemd. Klassieke benaderingen benaderen de wanorde ofwel met een handvol zorgvuldig ontworpen modelstructuren, of ze bemonsteren veel configuraties met Monte Carlo-simulaties. De eerste strategie kan belangrijke rangschikkingen missen; de tweede is vaak zo rekentechnisch intensief dat ze onpraktisch wordt voor realistische systemen.

Een zelflerende AI-sampler

PULSE (Partition function Unsupervised Learning Sampling and Evaluation) pakt deze uitdaging aan door te leren hoe het configuratieruimte zelfstandig kan verkennen. Het is opgebouwd rond een inverse variational autoencoder, een soort neuraal netwerk dat vanuit eenvoudige willekeurige ingangen realistische atomaire configuraties maakt. Cruciaal is dat dit model geen vooraf samengestelde voorbeeldendatabase nodig heeft. In plaats daarvan genereert het kandidaat-rangschikkingen, stuurt ze naar een atomistische rekenmethode om hun energieën te bepalen en past vervolgens zijn interne parameters aan om gunstige monsters waarschijnlijker te maken. Deze gesloten lus stelt de AI in staat de aandacht te richten op de configuraties die het belangrijkst zijn voor de partitiefunctie, in het bijzonder die welke gedrag domineren bij een gegeven temperatuur.

PULSE testen in nucleaire brandstof

Om de mogelijkheden te demonstreren passen de auteurs PULSE toe op uranium-plutoniumoxide, een sleutelmateriaal voor nucleaire brandstof. Ze richten zich op Schottky-defecten — groepen ontbrekende atomen die sterk beïnvloeden hoe de brandstof reageert op hoge temperatuur en straling. Eerst testen ze de methode op relatief kleine lokale omgevingen waarin de partitiefunctie nog exact door brute force kan worden berekend. PULSE’s schattingen van deze grootheid, en van de resulterende defectconcentraties, komen nauwkeurig overeen met de exacte resultaten terwijl ze orders van grootte minder energiecalculus vereisen dan het scannen van de volledige database. In vergelijking met veelgebruikte “special quasirandom structures” bereikt PULSE vergelijkbare of betere nauwkeurigheid, maar met een duidelijke ingebouwde maat voor convergentie en veel lagere rekencost bij hoge temperaturen.

Wat de AI onthult over de lokale omgeving

Omdat PULSE expliciet atomaire buurtstructuren rond een defect genereert en beoordeelt, kan het worden gebruikt om na te gaan hoe ver de invloed van een defect reikt. Door systematisch lagen atomen verder en verder van het defect te randomiseren, vinden de auteurs dat in dit oxidebrandstofmateriaal slechts een paar schillen buur-atomen significant de defectenergetica beïnvloeden, en dat de relevante afstand krimpt naarmate de temperatuur stijgt. De methode toont ook hoe defectconcentraties veranderen met plutoniumgehalte: naarmate het materiaal rijker wordt aan plutonium, wordt defectvorming over het algemeen gemakkelijker, wat leidt tot hogere defectdichtheden — vooral bij lagere temperaturen waar energetische verschillen belangrijker zijn.

Waarom dit van belang is voor toekomstige materiaalkunde

Voor niet-specialisten is de kernboodschap dat PULSE een snelle, flexibele manier biedt voor AI om de belangrijkste atomaire rangschikkingen in sterk gedesordeerde materialen te “tellen” en te prioriteren. In plaats van elke mogelijke configuratie uitputtend te simuleren, leert de methode tijdens het werk welke lokale patronen de defectvorming beheersen en gebruikt die kennis vervolgens om defectconcentraties en gerelateerde eigenschappen te schatten. Hoewel aangetoond op nucleaire brandstof, kan hetzelfde kader worden toegepast op een breed scala aan complexe materialen, zoals hoog-entropy legeringen of gemengde oxiden voor energieopslag en katalyse. Op deze manier kan PULSE onderzoekers helpen snel te verkennen hoe microscopische wanorde macrosc opische prestaties vormt, wat het ontwerp van veiligere en efficiëntere materialen kan sturen.

Bronvermelding: Karcz, M.J., Messina, L., Kawasaki, E. et al. AI-driven data-efficient estimation of partition functions in disordered materials. Sci Rep 16, 14568 (2026). https://doi.org/10.1038/s41598-026-37953-6

Trefwoorden: gedesordeerde materialen, machinaal leren, nucleaire brandstof, puntdefecten, generatieve modellen