[論文レビュー] Machine learning-enabled tomographic imaging of chemical short-range atomic ordering

Yue Li, Timoteo Colnaghi+14 more|arXiv (Cornell University)|Mar 23, 2023

Advanced Materials Characterization Techniques被引用数 4

ひとこと要約

本研究では、CoCrNi中エントロピー合金における3次元化学的短距離秩序（CSRO）を定量的に再構築するため、機械学習を活用した原子プローブトモグラフィー（APT）フレームワークを提案する。高分解能APTデータと畳み込みニューラルネットワーク、モンテカルロシミュレーションを組み合わせることで、複数のCSRO配置を同定し、処理パラメータと材料特性の間の定量的関係を確立する。これにより、高度材料の原子スケール設計が可能になる。

ABSTRACT

In solids, chemical short-range order (CSRO) refers to the self-organisation of atoms of certain species occupying specific crystal sites. CSRO is increasingly being envisaged as a lever to tailor the mechanical and functional properties of materials. Yet quantitative relationships between properties and the morphology, number density, and atomic configurations of CSRO domains remain elusive. Herein, we showcase how machine learning-enhanced atom probe tomography (APT) can mine the near-atomically resolved APT data and jointly exploit the technique's high elemental sensitivity to provide a 3D quantitative analysis of CSRO in a CoCrNi medium-entropy alloy. We reveal multiple CSRO configurations, with their formation supported by state-of-the-art Monte-Carlo simulations. Quantitative analysis of these CSROs allows us to establish relationships between processing parameters and physical properties. The unambiguous characterization of CSRO will help refine strategies for designing advanced materials by manipulating atomic-scale architectures.

研究の動機と目的

• 複雑な固体状態材料における化学的短距離秩序（CSRO）を定量的に特徴付けるという課題を克服すること。
• 近原子分解能APTデータから3次元CSROの形態、密度、配置を抽出するデータ駆動型アプローチを開発すること。
• CSRO微細構造を通じて、処理パラメータと物理的特性の間の定量的関係を確立すること。
• 最先端のモンテカルロシミュレーションを用いて、観察されたCSRO配置を検証すること。
• CSRO構造を操作することで、原子スケールでの材料設計を可能にすること。

提案手法

• 高感度APTデータからの3次元化学的短距離秩序の分析と再構築に、機械学習、特に畳み込みニューラルネットワークを用いる。
• シミュレートされたAPTデータで訓練されたディープラーニングモデルを用い、実験データセットにおける明確に分離可能なCSRO配置を同定・分類する。
• 実験的APTデータとモンテカルロシミュレーションを統合し、観察されたCSRO構造の形成エネルギーおよび安定性を検証する。
• トモグラフィック再構築技術を適用して、元素分布および局所的秩序の3次元定量的分析を実現する。
• 統計的分析を用いて、CSROドメインの密度、形態、原子配置を処理履歴と関連付ける。
• モデル予測の妥当性を、シミュレートされたAPTデータおよび既知の熱力学的挙動との比較によって検証する。

実験結果

リサーチクエスチョン

• RQ1 CoCrNi中エントロピー合金に支配的な化学的短距離秩序（CSRO）配置は何か？
• RQ2 処理パラメータはCSROドメインの形成および分布にどのように影響するか？
• RQ3 機械学習は近原子分解能APTデータから3次元CSROを正確に再構築できるか？
• RQ4 CSRO微細構造と機械的または機能的特性との間の定量的関係は何か？
• RQ5 シミュレートされたCSRO配置は、実験的に観察されたものと比較して、安定性および形成エネルギーの面でどのように異なるか？

主な発見

• 機械学習を活用したAPTを用いることで、CoCrNi中エントロピー合金に複数の明確に異なる化学的短距離秩序（CSRO）配置が同定された。
• 観察されたCSRO配置は、最先端のモンテカルロシミュレーションとの整合性により、熱力学的安定性が確認された。
• 処理パラメータとCSROドメインの密度および形態との間の定量的関係が確立された。
• 機械学習モデルは、高い忠実度で3次元CSROを再構築でき、原子スケールの秩序の詳細な統計的分析が可能になった。
• この手法により、CSROが一様に分布しているのではなく、処理履歴に影響を受けてエネルギー的に有利な配置を形成することが明らかになった。
• CSROの明確な特徴付けは、原子スケールの構造を設計することで材料を設計する道筋を提供する。