[논문 리뷰] Machine learning-enabled tomographic imaging of chemical short-range atomic ordering

Yue Li, Timoteo Colnaghi외 14명|arXiv (Cornell University)|2023. 03. 23.

Advanced Materials Characterization Techniques인용 수 4

한 줄 요약

이 연구는 CoCrNi 중앙도합금에서 3차원 화학적 단거리 질서(CSRO)를 정량적으로 재구성하기 위해 기계학습 기반 원자 프로브 톰그래피(APT) 프레임워크를 도입한다. 고해상도 APT 데이터와 컨volution 신경망, 몬테카를로 시뮬레이션을 융합함으로써, 여러 가지 CSRO 구조를 식별하고, 제조 공정 조건과 재료 성질 사이의 정량적 연관성을 확립한다. 이는 고급 재료의 원자 척도 설계를 가능하게 한다.

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.

연구 동기 및 목표

• 복잡한 고체상 재료에서 화학적 단거리 질서(CSRO)를 정량적으로 특성화하는 데 도전하는 것.
• 근원자 해상도 APT 데이터에서 3차원 CSRO 형태, 밀도, 구조를 추출하는 데이터 기반 접근법을 개발하는 것.
• CSRO 미세구조를 통해 제조 공정 조건과 물리적 성질 사이의 정량적 관계를 수립하는 것.
• 최신 몬테카를로 시뮬레이션을 사용하여 관측된 CSRO 구조를 검증하는 것.
• CSRO 아키텍처를 조작함으로써 원자 척도 재료 설계를 가능하게 하는 것.

제안 방법

• 기계학습, 특히 컨volution 신경망을 활용하여 고감도 APT 데이터에서 3차원 화학적 단거리 질서를 분석하고 재구성하는 것.
• 모의 APT 데이터로 훈련된 딥 러닝 모델을 사용하여 실험 데이터셋에서 고유한 CSRO 구조를 식별하고 분류하는 것.
• 실험적 APT 데이터와 몬테카를로 시뮬레이션을 통합하여 관측된 CSRO 구조의 형성 에너지와 안정성을 검증하는 것.
• 토모그래픽 재구성 기법을 적용하여 원소 분포와 국소 질서의 3차원 정량 분석을 수행하는 것.
• 통계적 분석을 통해 CSRO 영역의 밀도, 형태, 원자 구조를 제조력사와 연관지어 분석하는 것.
• 모델 예측을 모의 APT 데이터 및 알려진 열역학적 거동과의 비교를 통해 검증하는 것.

실험 결과

연구 질문

• RQ1 CoCrNi 중앙도합금에서 지배적인 화학적 단거리 질서(CSRO) 구조는 무엇인가?
• RQ2 제조 공정 조건은 CSRO 영역의 형성과 분포에 어떤 영향을 미치는가?
• RQ3 기계학습은 근원자 해상도 APT 데이터에서 3차원 CSRO를 정확하게 재구성할 수 있는가?
• RQ4 CSRO 미세구조와 기계적 또는 기능적 성질 사이의 정량적 관계는 무엇인가?
• RQ5 모의된 CSRO 구조는 실험적으로 관측된 것과 비교할 때 안정성과 형성 에너지 측면에서 어떻게 다른가?

주요 결과

• 기계학습 기반 APT를 통해 CoCrNi 중앙도합금에서 여러 가지 고유한 화학적 단거리 질서(CSRO) 구조가 식별되었다.
• 관측된 CSRO 구조는 최신 몬테카를로 시뮬레이션과의 일치를 통해 열역학적 안정성이 확인되었다.
• 제조 공정 조건과 CSRO 영역의 밀도 및 형태 사이에 정량적 연관성이 확립되었다.
• 기계학습 모델은 높은 정밀도로 3차원 CSRO를 성공적으로 재구성하여 원자 척도 질서의 세밀한 통계 분석을 가능하게 하였다.
• 이 방법은 CSRO가 균일하게 분포하지 않고, 제조력사에 의해 영향을 받는 에너지적으로 유리한 특정 구조를 형성한다는 것을 드러냈다.
• 명확한 CSRO 특성화는 원자 척도 아키텍처를 설계함으로써 재료를 설계하는 길을 열어준다.