El equipo de Argonne combina un modelado de vanguardia con una técnica de análisis estadístico de 300 años para mejorar las propiedades del material.
En algún momento de tu vida, probablemente has tenido a alguien, un padre, un maestro, un mentor, que te dice que "cuanto más practiques, mejor serás". La expresión a menudo se atribuye a Thomas Bayes, un 18 th ministro británico del siglo que estaba interesado en ganar en los juegos y formalizó esta simple observación en una expresión matemática ahora famosa.
Utilizado para examinar comportamientos, propiedades y otros mecanismos que constituyen un concepto o fenómeno, el análisis bayesiano emplea una variedad de datos variados, pero similares, para informar estadísticamente un modelo óptimo de ese concepto o fenómeno.
"En pocas palabras, las estadísticas bayesianas son una forma de comenzar con nuestra mejor comprensión actual y luego actualizarla con nuevos datos de experimentos o simulaciones para llegar a una comprensión mejor informada", dijo Noah Paulson, científico de materiales computacionales en elLaboratorio Nacional de Argonne del Departamento de Energía de los Estados Unidos DOE.
El método tuvo cierto éxito durante los 300 años desde su inicio, pero es una idea cuyo tiempo finalmente ha llegado.
En algunos campos, como la cosmología, los investigadores han estado desarrollando y compartiendo con éxito técnicas y códigos bayesianos durante algún tiempo. En otros, como la ciencia de los materiales, la implementación de los métodos de análisis bayesianos está comenzando a pagar dividendos.
"En pocas palabras, las estadísticas bayesianas son una forma de definir algo que ya entendemos y luego actualizarlo con nuevos datos de experimentos o simulaciones para llegar a una comprensión más precisa". - Noah Paulson, científico de materiales computacionales, Laboratorio Nacional de Argonne
Paulson y varios colegas de Argonne están aplicando métodos bayesianos para cuantificar las incertidumbres en las propiedades termodinámicas de los materiales. En otras palabras, quieren determinar cuánta confianza pueden depositar en los datos que recopilan sobre los materiales y los modelos matemáticos utilizados para representarlos.datos.
Si bien las técnicas estadísticas son aplicables a muchos campos, los investigadores se propusieron crear un modelo óptimo de las propiedades termodinámicas del hafnio Hf, un metal que emerge como un componente clave en la electrónica de la computadora. Los resultados derivados de este enfoque serán publicadospublicado en la edición de septiembre de 2019 de Revista Internacional de Ciencias de la Ingeniería .
"Descubrimos que no sabíamos todo lo que podíamos sobre este material porque había muchos conjuntos de datos y mucha información contradictoria. Así que realizamos este análisis bayesiano para proponer un modelo que la comunidad pueda adoptar y utilizar en la investigación yaplicación ", dijo Marius Stan, quien dirige el diseño de materiales inteligentes en la división de Materiales Aplicados AMD de Argonne y es miembro senior del Consorcio de Ciencia e Ingeniería Avanzadas de la Universidad de Chicago y del Instituto de Ciencia e Ingeniería del Noroeste de Argonne.
Para derivar un modelo óptimo de las propiedades termodinámicas de un material, los investigadores utilizan algunos conocimientos previos o datos relacionados con el tema como punto de partida.
En este caso, el equipo buscaba definir los mejores modelos para la entalpía la cantidad de energía en un material y el calor específico el calor necesario para aumentar la temperatura de la unidad de masa del material en un grado Celsius del hafnio. Representados como ecuaciones y expresiones matemáticas, los modelos tienen diferentes parámetros que los controlan. El objetivo es encontrar los parámetros óptimos.
"Teníamos que comenzar adivinando cuáles deberían ser esos parámetros", dijo Paulson, del grupo de Materiales Térmicos y Estructurales de AMD. "Mirando a través de la literatura encontramos algunos rangos y valores que tenían sentido, así que los usamos para nuestrosdistribución."
Uno de los parámetros que los investigadores exploraron es la temperatura del modo de vibración normal más alto de un cristal. Conocido como la temperatura de Einstein o Debye, este parámetro afecta el calor específico de un material.
La suposición anterior - o inicial - se basa en modelos existentes, datos preliminares o la intuición de expertos en el campo. Usando datos de calibración de experimentos o simulación, las estadísticas bayesianas actualizan ese conocimiento previo y determinan el posterior - el actualizadocomprensión del modelo: el marco bayesiano puede determinar si los datos nuevos están mejor o peor de acuerdo con el modelo que se está probando.
"Al igual que la cosmología, la ciencia de los materiales debe encontrar el modelo óptimo y los valores de los parámetros que mejor explican los datos y luego determinar las incertidumbres relacionadas con estos parámetros. No tiene mucho sentido tener un valor de parámetro que mejor se ajuste sin una barra de error", dijomiembro del equipo Elise Jennings, científica computacional en estadística con el Argonne Leadership Computing Facility ALCF, un DOEOffice of Science User Facility, y un asociado del Instituto Kavli de Física Cosmológica en la Universidad de Chicago.
Y eso, dijo, es el mayor desafío para la ciencia de los materiales: la falta de barras de error o incertidumbres observadas en los conjuntos de datos disponibles. La investigación del hafnio, por ejemplo, se basó en conjuntos de datos seleccionados de documentos publicados anteriormente, pero los rangos de error estaban ausenteso excluido
Entonces, además de presentar modelos para las propiedades termodinámicas específicas del hafnio, el artículo también explora técnicas mediante las cuales la ciencia de los materiales y otros campos de estudio pueden tener en cuenta los conjuntos de datos que no tienen incertidumbres.
"Para un científico o un ingeniero, este es un problema importante", dijo Stan. "Estamos presentando una mejor manera de evaluar cuán valiosa es nuestra información. Queremos saber cuánta confianza podemos depositar en los modelos ylos datos. Y este trabajo revela una metodología, una mejor manera de evaluar eso "
Un documento basado en el estudio "Estrategias bayesianas para la cuantificación de la incertidumbre de las propiedades termodinámicas de los materiales" está disponible en línea 13 de junio y aparecerá en la edición de septiembre de 2019 Revista Internacional de Ciencias de la Ingeniería . Noah Paulson, Elise Jennings y Marius Stan colaboraron en la investigación.
Este estudio está respaldado por el Programa CHiMaD, financiado por el Instituto Nacional de Estándares y Tecnología NIST.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Argonne . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :