La ciencia y la ingeniería de materiales computacionales utilizan modelado, simulación, teoría e 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 análoga a la química computacional y la biología computacional como un subcampo cada vez más importante de la ciencia de los 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 siguen desarrollándose muchos métodos y variaciones, han surgido siete técnicas o motivos de simulación principales. [1]
Estos métodos de simulación por computadora utilizan modelos y aproximaciones subyacentes para comprender el comportamiento de los materiales en escenarios más complejos de los que generalmente permite la teoría pura y con más detalle y precisión de lo que suele ser posible a partir de experimentos. Cada método puede utilizarse de forma independiente para predecir las propiedades y los mecanismos de los materiales, para proporcionar 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 los materiales computacionales es la ingeniería de materiales computacionales integrada (ICME), que busca utilizar los resultados y métodos computacionales junto con los experimentos, con un enfoque en la aplicación industrial y comercial. [3] Los principales temas actuales en el campo incluyen la cuantificación y propagación de la incertidumbre a lo largo de las simulaciones para la toma de decisiones final, la infraestructura de datos para compartir las entradas y los resultados de la simulación, [4] el diseño y descubrimiento de materiales de alto rendimiento, [5] y nuevos enfoques dados los aumentos significativos en el poder de cómputo 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 variantes de métodos de estructura electrónica de distinta complejidad computacional, con una gama de compensaciones entre velocidad y precisión.
Debido a su equilibrio entre el costo computacional y la capacidad predictiva, la teoría funcional de la densidad (DFT) tiene el uso más significativo en la ciencia de los materiales . La 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 la DFT calculando las fuerzas entre átomos.
Si bien la DFT y muchos otros métodos de estructuras electrónicas se describen como ab initio , aún existen aproximaciones y entradas. Dentro de la DFT hay aproximaciones cada vez más complejas, precisas y lentas que sustentan la simulación porque no se conoce la función de correlación de intercambio exacta. El modelo más simple es la aproximación de densidad local (LDA), que se vuelve más compleja con la aproximación de gradiente generalizado (GGA) y más allá. Una aproximación común adicional es usar un pseudopotencial en lugar de electrones centrales, lo que acelera significativamente las simulaciones.
En esta sección se analizan los dos métodos principales de simulación atómica en la ciencia de los materiales . Otros métodos basados en partículas incluyen el método de 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 estructura electrónica y experimental 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 solo atracciones de tipo van der Waals y repulsión pronunciada para mantener separados los átomos, la naturaleza de estos modelos se deriva de las fuerzas de dispersión . Los modelos cada vez más complejos incluyen efectos debidos a interacciones de Coulomb (por ejemplo, cargas iónicas en cerámicas), enlaces covalentes y ángulos (por ejemplo, polímeros) y densidad de carga electrónica (por ejemplo, metales). Algunos modelos utilizan enlaces fijos, definidos al comienzo de la simulación, mientras que otros tienen enlaces dinámicos. Los esfuerzos más recientes se esfuerzan por obtener modelos robustos y transferibles con formas funcionales genéricas: armónicos esféricos, núcleos gaussianos y redes neuronales. Además, MD se puede utilizar para simular agrupaciones de átomos dentro de partículas genéricas, llamadas modelado de grano grueso , por ejemplo, creando una partícula por monómero dentro de un polímero.
En el contexto de la ciencia de los materiales, el método Monte Carlo se refiere con mayor frecuencia a simulaciones atomísticas que se basan en tasas. En el método Monte Carlo cinético (kMC), se definen y evalúan de manera probabilística las tasas para todos los cambios posibles dentro del sistema. Debido a que no existe ninguna 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 vinculados específicamente a la ciencia de los materiales, donde los cálculos de estructura atomística y electrónica también se utilizan ampliamente en la química computacional y la biología computacional , y las simulaciones a nivel continuo son comunes en una amplia gama de dominios de aplicación de la ciencia computacional .
Otros métodos dentro de la ciencia de los materiales incluyen autómatas celulares para la solidificación y el crecimiento del grano, enfoques del modelo de Potts para la evolución del grano y otras técnicas de Monte Carlo , así como simulación directa de estructuras de grano análogas a la dinámica de dislocación.
La deformación plástica en 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 computacionalmente, la dinámica de dislocaciones discretas (DDD) simula el movimiento de líneas de dislocación. [6] [7] El objetivo general de la dinámica de dislocaciones es determinar el movimiento de un conjunto de dislocaciones dadas sus posiciones iniciales, y la carga externa y la microestructura interactuante. A partir de esto, el comportamiento de deformación a macroescala se puede extraer 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 en cada uno de los nodos de la dislocación. Estas fuerzas incluyen cualquier fuerza aplicada externamente, fuerzas debido a la dislocación que interactúa consigo misma u 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 se mueve hacia adelante de acuerdo con esta velocidad y un paso de tiempo dado. Luego, este procedimiento se repite. 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 se puede 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 dislocaciones 2D para modelar el deslizamiento de una dislocación a través de un solo plano a medida que interactúa con varios obstáculos, como precipitados . Esto captura además fenómenos como el cizallamiento y la curvatura de precipitados. [8] [9] El inconveniente de las simulaciones DDD 2D es que no se pueden capturar fenómenos que involucran movimiento fuera de un plano de deslizamiento, como el deslizamiento cruzado y el ascenso , aunque son más fáciles de ejecutar computacionalmente. [6] Se han utilizado simulaciones DDD 3D pequeñas para simular fenómenos como la multiplicación de dislocaciones en fuentes de 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. Existe una serie de códigos DDD 3D, 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 fases se centran en fenómenos que dependen de las interfaces y del 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 cristalina simula los efectos del movimiento de dislocación basado en átomos sin resolver directamente ninguno de ellos. En cambio, las orientaciones de los cristales se actualizan a través del tiempo con la teoría de elasticidad, la plasticidad a través de superficies de fluencia y las leyes de endurecimiento. De esta manera, se puede determinar el comportamiento de tensión-deformación de un material.
Los métodos de elementos finitos dividen los sistemas en el espacio y resuelven las ecuaciones físicas pertinentes a lo largo de esa descomposición. Esto abarca desde fenómenos térmicos, mecánicos, electromagnéticos y otros fenómenos físicos. Es importante señalar, desde una perspectiva de ciencia de los materiales , que los métodos continuos generalmente ignoran la heterogeneidad de los materiales y suponen que las propiedades locales de los materiales son idénticas en todo el sistema.
Todos los métodos de simulación descritos anteriormente contienen modelos de comportamiento de los materiales. El funcional de correlación de intercambio para la teoría del funcional de la densidad, el potencial interatómico para la dinámica molecular y el funcional de energía libre para las simulaciones de campos de fases son ejemplos. El grado en que cada método de simulación es sensible a los cambios en el modelo subyacente puede ser drásticamente diferente. Los modelos en sí mismos suelen ser directamente útiles para la ciencia y la ingeniería de materiales, no solo 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 de diagramas de fases (CALPHAD) no constituye, en términos generales, una simulación, pero los modelos y las optimizaciones dan como resultado diagramas de fases para predecir la estabilidad de las 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 y escala de tiempo características y modelos asociados. [1]
Muchos de los métodos descritos pueden combinarse, ejecutándose simultáneamente o por separado, alimentando información entre escalas de longitud o niveles de precisión.
En este contexto, las simulaciones concurrentes 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 atomísticas-continuas, similares a QM/MM, excepto que utilizan dinámica molecular y el método de elementos finitos como el 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 a través de técnicas estadísticas o interpolativas.
Un método común para tener en cuenta los efectos de la orientación de los cristales junto con la geometría incorpora la plasticidad de los cristales dentro de las simulaciones de elementos finitos. [2]
La construcción de un modelo de materiales a una escala determinada suele requerir información de otra escala inferior. Aquí se incluyen algunos ejemplos.
El escenario más común para las simulaciones de dinámica molecular clásica es desarrollar el modelo interatómico directamente utilizando la teoría funcional de la densidad , más a menudo cálculos de estructura electrónica . Por lo tanto, la dinámica molecular clásica puede considerarse una técnica multiescala jerárquica, así como un método de grano grueso (que ignora los electrones). De manera similar, la dinámica molecular de grano grueso son simulaciones de partículas reducidas o simplificadas entrenadas directamente a partir de simulaciones de dinámica molecular de todos los átomos. Estas partículas pueden representar cualquier cosa, desde pseudoátomos de carbono-hidrógeno, monómeros de polímeros completos hasta partículas de polvo.
La teoría del funcional de la 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 se está volviendo cada vez más común, al igual que los códigos comunitarios que combinan esfuerzos de desarrollo. Algunos 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 los materiales, por ejemplo, GROMACS desarrollado dentro de la biología computacional .
Todas las conferencias importantes sobre ciencia de los materiales incluyen investigación computacional. El Congreso Mundial ICME de TMS, que se centra exclusivamente en los esfuerzos computacionales, se reúne dos veces al año. 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 científicas de materiales , así como otras de disciplinas relacionadas, dan la bienvenida a la investigación sobre materiales computacionales. Entre las dedicadas a este campo se incluyen Computational Materials Science , Modelling and Simulation in Materials Science and Engineering y npj Computational Materials.
La ciencia de los materiales computacionales es una subdisciplina tanto de la ciencia computacional como de la ingeniería computacional , que 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 la CMSE; de manera similar, muchos métodos continuos se superponen con muchos otros campos de la ingeniería computacional .