La ciencia y la ingeniería de materiales computacionales utilizan el modelado, la simulación, la teoría y la informática para comprender los materiales. Los objetivos principales incluyen descubrir nuevos materiales, determinar el comportamiento y los mecanismos de los materiales, explicar experimentos y explorar teorías de materiales. Es análogo a la química computacional y la biología computacional como un subcampo cada vez más importante de la ciencia de materiales .
Así como la ciencia de los materiales abarca todas las escalas de longitud, desde los electrones hasta los componentes, también lo hacen sus subdisciplinas computacionales. Si bien se han desarrollado y se siguen desarrollando muchos métodos y variaciones, han surgido siete técnicas o motivos de simulación principales. [1]
Estos métodos de simulación por computadora utilizan modelos subyacentes y aproximaciones para comprender el comportamiento de los materiales en escenarios más complejos de lo que generalmente permite la teoría pura y con más detalle y precisión de lo que a menudo es posible a partir de experimentos. Cada método se puede utilizar de forma independiente para predecir las propiedades y mecanismos de los materiales, para alimentar información a otros métodos de simulación ejecutados por separado o simultáneamente, o para comparar o contrastar directamente con resultados experimentales. [2]
Un subcampo notable de la ciencia de materiales computacionales es la ingeniería de materiales computacionales integrada (ICME), que busca utilizar resultados y métodos computacionales junto con experimentos, con un enfoque en aplicaciones industriales y comerciales. [3] Los principales temas actuales en el campo incluyen la cuantificación y propagación de la incertidumbre a través de simulaciones para una eventual toma de decisiones, infraestructura de datos para compartir entradas y resultados de simulación, [4] diseño y descubrimiento de materiales de alto rendimiento, [5] y nuevos enfoques dados aumentos significativos. en potencia informática y la historia continua de la supercomputación .
Los métodos de estructura electrónica resuelven la ecuación de Schrödinger para calcular la energía de un sistema de electrones y átomos, las unidades fundamentales de la materia condensada. Existen muchas variaciones de métodos de estructura electrónica de diversa complejidad computacional, con una variedad de compensaciones entre velocidad y precisión.
Debido a su equilibrio entre el costo computacional y la capacidad predictiva, la teoría funcional de densidad (DFT) tiene el uso más importante en la ciencia de materiales . DFT se refiere con mayor frecuencia al cálculo del estado de energía más bajo del sistema; sin embargo, la dinámica molecular (movimiento atómico a través del tiempo) se puede ejecutar con fuerzas informáticas DFT entre átomos.
Si bien la DFT y muchos otros métodos de estructuras electrónicas se describen como ab initio , todavía existen aproximaciones y entradas. Dentro de DFT hay aproximaciones cada vez más complejas, precisas y lentas subyacentes a la simulación porque no se conoce la función exacta de correlación de intercambio. El modelo más simple es la aproximación de densidad local (LDA), volviéndose más complejo con la aproximación de gradiente generalizado (GGA) y más allá. Una aproximación común adicional es utilizar un pseudopotencial en lugar de electrones centrales, lo que acelera significativamente las simulaciones.
Esta sección analiza los dos principales métodos de simulación atómica en la ciencia de materiales . Otros métodos basados en partículas incluyen el método del punto material y el de partículas en celda , que se utilizan con mayor frecuencia para la mecánica de sólidos y la física del plasma, respectivamente.
El término dinámica molecular (MD) es el nombre histórico utilizado para clasificar las simulaciones del movimiento atómico clásico a través del tiempo. Normalmente, las interacciones entre átomos se definen y se ajustan a datos de estructuras tanto experimentales como electrónicas con una amplia variedad de modelos, llamados potenciales interatómicos . Con las interacciones prescritas (fuerzas), el movimiento newtoniano se integra numéricamente. Las fuerzas para MD también se pueden calcular utilizando métodos de estructura electrónica basados en la aproximación de Born-Oppenheimer o en los enfoques de Car-Parrinello .
Los modelos más simples incluyen sólo atracciones de tipo van der Waals y repulsión pronunciada para mantener separados los átomos; la naturaleza de estos modelos se deriva de fuerzas de dispersión . Modelos cada vez más complejos incluyen efectos debidos a interacciones de culombio (por ejemplo, cargas iónicas en cerámicas), enlaces y ángulos covalentes (por ejemplo, polímeros) y densidad de carga electrónica (por ejemplo, metales). Algunos modelos utilizan enlaces fijos, definidos al inicio de la simulación, mientras que otros tienen enlaces dinámicos. Los esfuerzos más recientes se esfuerzan por lograr modelos robustos y transferibles con formas funcionales genéricas: armónicos esféricos, núcleos gaussianos y redes neuronales. Además, la MD se puede utilizar para simular agrupaciones de átomos dentro de partículas genéricas, lo que se denomina modelado de grano grueso , por ejemplo, creando una partícula por monómero dentro de un polímero.
Monte Carlo, en el contexto de la ciencia de materiales, se refiere con mayor frecuencia a simulaciones atomísticas basadas en tasas. En Monte Carlo cinético (kMC), las tasas de todos los cambios posibles dentro del sistema se definen y evalúan probabilísticamente. Debido a que no existe restricción para integrar directamente el movimiento (como en la dinámica molecular ), los métodos kMC pueden simular problemas significativamente diferentes con escalas de tiempo mucho más largas.
Los métodos enumerados aquí se encuentran entre los más comunes y los más directamente relacionados con la ciencia de materiales específicamente, donde los cálculos de estructuras atomísticas y electrónicas también se usan ampliamente en química computacional y biología computacional, y las simulaciones de nivel continuo son comunes en una amplia gama de dominios de aplicación de la ciencia computacional . .
Otros métodos dentro de la ciencia de materiales incluyen autómatas celulares para la solidificación y el crecimiento de granos, enfoques del modelo de Potts para la evolución de granos y otras técnicas de Monte Carlo , así como la simulación directa de estructuras de granos análogas a la dinámica de dislocaciones.
La deformación plástica en los metales está dominada por el movimiento de dislocaciones , que son defectos cristalinos en materiales con carácter de tipo lineal. En lugar de simular el movimiento de decenas de miles de millones de átomos para modelar la deformación plástica, lo que sería prohibitivamente costoso desde el punto de vista computacional, la dinámica de dislocaciones discretas (DDD) simula el movimiento de líneas de dislocación. [6] [7] El objetivo general de la dinámica de las dislocaciones es determinar el movimiento de un conjunto de dislocaciones dadas sus posiciones iniciales, su carga externa y su microestructura interactiva. A partir de esto, se puede extraer el comportamiento de deformación a macroescala del movimiento de dislocaciones individuales mediante teorías de plasticidad.
Una simulación DDD típica es la siguiente. [6] [8] Una línea de dislocación se puede modelar como un conjunto de nodos conectados por segmentos. Esto es similar a una malla utilizada en el modelado de elementos finitos . Luego, se calculan las fuerzas sobre cada uno de los nodos de la dislocación. Estas fuerzas incluyen cualquier fuerza aplicada externamente, fuerzas debidas a la dislocación que interactúa consigo misma o con otras dislocaciones, fuerzas de obstáculos como solutos o precipitados, y la fuerza de arrastre sobre la dislocación debido a su movimiento, que es proporcional a su velocidad. El método general detrás de una simulación DDD es calcular las fuerzas sobre una dislocación en cada uno de sus nodos, de donde se puede extraer la velocidad de la dislocación en sus nodos. Luego, la dislocación avanza de acuerdo con esta velocidad y un paso de tiempo determinado. Luego se repite este procedimiento. Con el tiempo, la dislocación puede encontrar suficientes obstáculos como para que ya no pueda moverse y su velocidad sea cercana a cero, momento en el que se puede detener la simulación y realizar un nuevo experimento con esta nueva disposición de dislocación.
Existen simulaciones de dislocaciones tanto a pequeña como a gran escala. Por ejemplo, se han utilizado modelos de dislocación 2D para modelar el deslizamiento de una dislocación a través de un solo plano mientras interactúa con varios obstáculos, como precipitados . Esto captura aún más fenómenos como el cizallamiento y la inclinación de los precipitados. [8] [9] El inconveniente de las simulaciones DDD 2D es que los fenómenos que implican el movimiento fuera de un plano de planeo no se pueden capturar, como el deslizamiento transversal y el ascenso , aunque son más fáciles de ejecutar computacionalmente. [6] Se han utilizado pequeñas simulaciones 3D DDD para simular fenómenos como la multiplicación de dislocaciones en fuentes Frank-Read , y simulaciones más grandes pueden capturar el endurecimiento por trabajo en un metal con muchas dislocaciones, que interactúan entre sí y pueden multiplicarse. Existen varios códigos 3D DDD, como ParaDiS, microMegas y MDDP, entre otros. [6] Existen otros métodos para simular el movimiento de dislocación, desde simulaciones de dinámica molecular completa , dinámica de dislocación continua y modelos de campo de fase .
[6] [7] [8] [9]
Los métodos de campo de fase se centran en fenómenos que dependen de interfaces y movimiento interfacial. Tanto la función de energía libre como la cinética (movilidades) se definen para propagar las interfaces dentro del sistema a través del tiempo.
La plasticidad del cristal simula los efectos del movimiento de dislocación de base atómica sin resolver ninguno de los dos directamente. En cambio, las orientaciones de los cristales se actualizan a través del tiempo con la teoría de la elasticidad, la plasticidad a través de superficies elásticas y las leyes de endurecimiento. De esta manera se puede determinar el comportamiento tensión-deformación de un material.
Los métodos de elementos finitos dividen sistemas en el espacio y resuelven las ecuaciones físicas relevantes a lo largo de esa descomposición. Esto va desde fenómenos térmicos, mecánicos, electromagnéticos y otros fenómenos físicos. Es importante señalar desde la perspectiva de la ciencia de materiales que los métodos continuos generalmente ignoran la heterogeneidad del material y suponen que las propiedades locales de los materiales son idénticas en todo el sistema.
Todos los métodos de simulación descritos anteriormente contienen modelos del comportamiento de los materiales. Son ejemplos el funcional de correlación de intercambio para la teoría del funcional de densidad, el potencial interatómico para la dinámica molecular y el funcional de energía libre para simulaciones de campos de fase. El grado en que cada método de simulación es sensible a los cambios en el modelo subyacente puede ser drásticamente diferente. Los propios modelos suelen ser directamente útiles para la ciencia y la ingeniería de materiales, no sólo para ejecutar una simulación determinada.
Los diagramas de fases son parte integral de la ciencia de los materiales y el desarrollo de diagramas de fases computacionales es uno de los ejemplos más importantes y exitosos de ICME. El método de Cálculo del Diagrama de Fases (CALPHAD) generalmente no constituye una simulación, sino que los modelos y optimizaciones dan como resultado diagramas de fases para predecir la estabilidad de fases, extremadamente útiles en el diseño de materiales y la optimización de procesos de materiales.
Para cada método de simulación de materiales, existe una unidad fundamental, una longitud característica y una escala de tiempo, y modelos asociados. [1]
Muchos de los métodos descritos se pueden combinar, ya sea ejecutándose simultáneamente o por separado, alimentando información entre escalas de longitud o niveles de precisión.
Las simulaciones concurrentes en este contexto significan métodos utilizados directamente juntos, dentro del mismo código, con el mismo paso de tiempo y con mapeo directo entre las respectivas unidades fundamentales.
Un tipo de simulación multiescala concurrente es la mecánica cuántica/mecánica molecular ( QM/MM ). Esto implica ejecutar una pequeña porción (a menudo una molécula o proteína de interés) con un cálculo de estructura electrónica más preciso y rodearla con una región más grande de dinámica molecular clásica de ejecución rápida y menos precisa . Existen muchos otros métodos, como las simulaciones de continuo atomístico, similares a QM/MM, excepto que utilizan la dinámica molecular y el método de elementos finitos como fino (alta fidelidad) y grueso (baja fidelidad), respectivamente. [2]
La simulación jerárquica se refiere a aquellas que intercambian información directamente entre métodos, pero se ejecutan en códigos separados, con diferencias en longitud y/o escalas de tiempo manejadas mediante técnicas estadísticas o de interpolación.
Un método común para tener en cuenta los efectos de la orientación de los cristales junto con la geometría incorpora la plasticidad del cristal en simulaciones de elementos finitos. [2]
La construcción de un modelo de materiales a una escala a menudo requiere información de otra escala inferior. Algunos ejemplos se incluyen aquí.
El escenario más común para las simulaciones de dinámica molecular clásica es desarrollar el modelo interatómico directamente utilizando la teoría funcional de la densidad , generalmente cálculos de estructuras electrónicas . Por lo tanto, la MD clásica puede considerarse una técnica jerárquica de múltiples escalas, así como un método de grano grueso (ignorando los electrones). De manera similar, la dinámica molecular de grano grueso son simulaciones de partículas reducidas o simplificadas entrenadas directamente a partir de simulaciones MD de todos los átomos. Estas partículas pueden representar cualquier cosa, desde pseudoátomos de carbono-hidrógeno, monómeros poliméricos completos hasta partículas de polvo.
La teoría del funcional de densidad también se utiliza a menudo para entrenar y desarrollar diagramas de fases basados en CALPHAD .
Cada método de modelado y simulación tiene una combinación de códigos comerciales, de código abierto y de laboratorio. El software de código abierto es cada vez más común, al igual que los códigos comunitarios que combinan esfuerzos de desarrollo. Los ejemplos incluyen Quantum ESPRESSO (DFT), LAMMPS (MD), ParaDIS (DD), FiPy (campo de fase) y MOOSE (Continuum). Además, el software abierto de otras comunidades suele ser útil para la ciencia de materiales, por ejemplo, GROMACS desarrollado en biología computacional .
Todas las conferencias importantes sobre ciencia de materiales incluyen investigación computacional. Centrándose completamente en los esfuerzos computacionales, el Congreso Mundial TMS ICME se reúne cada dos años. La Conferencia de Investigación Gordon sobre Ciencia e Ingeniería de Materiales Computacionales comenzó en 2020. También se organizan periódicamente muchas otras conferencias más pequeñas específicas de métodos.
Muchas revistas de ciencia de materiales , así como aquellas de disciplinas relacionadas, dan la bienvenida a la investigación de materiales computacionales. Los dedicados al campo incluyen Ciencia Computacional de Materiales , Modelado y Simulación en Ciencia e Ingeniería de Materiales , y npj Materiales Computacionales.
La ciencia de materiales computacionales es una subdisciplina tanto de la ciencia computacional como de la ingeniería computacional , y contiene una superposición significativa con la química computacional y la física computacional . Además, muchos métodos atomísticos son comunes entre la química computacional , la biología computacional y el CMSE; De manera similar, muchos métodos continuos se superponen con muchos otros campos de la ingeniería computacional .