Các nhà nghiên cứu từ Đại học North Carolina State, Viện Tiêu chuẩn và Công nghệ (NIST) và Phòng thí nghiệm quốc gia Oak Ridge (ORNL) đã phát triển một phương pháp mới đối với đặc tính của vật liệu, sử dụng các phương pháp thống kê Bayes để thu thập những hiểu biết mới về cấu trúc của vật liệu. Công việc cần được biết về sự phát triển của vật liệu mới để sử dụng trong một loạt các ứng dụng.
“Chúng tôi muốn hiểu được cấu trúc tinh thể của vật liệu – chẳng hạn như các nguyên tử nằm trong ma trận của một vật liệu – để chúng tôi có cơ sở hiểu các cấu trúc có ảnh hưởng đến hiệu suất của vật liệu,” Jacob Jones, một giáo sư khoa học vật liệu và kỹ thuật tại Đại học North Carolina State và đồng tác giả của bài báo đã nói. “Đây là một bước tiến mới về cơ bản sẽ giúp chúng tôi phát triển vật liệu mới có thể được sử dụng trong tất cả mọi thứ từ đồ điện tử, công nghệ chế tạo đến các phương tiện và công nghệ nano.”
Bước đầu tiên trong việc tìm hiểu cấu trúc tinh thể của vật liệu là bắn phá một mẫu vật liệu với các electron, photon hoặc các hạt nguyên tử khác, sử dụng công nghệ như the Spallation Neutron Source[1] tại ORNL hoặc the Advanced Photon Source1 tại Phòng thí nghiệm quốc gia Argonne. Sau đó các nhà nghiên cứu có thể đo các góc độ và năng lượng của các hạt như chúng được phân tán bởi các vật liệu.
Khi mọi thứ trở nên thực sự khó khăn:
Theo truyền thống, các dữ liệu từ những thí nghiệm tán xạ đã được phân tích bằng kỹ thuật thống kê “bình phương tối thiểu phù hợp” để suy ra cấu trúc tinh thể của vật liệu. Nhưng các kỹ thuật đó còn hạn chế; chúng có thể cho các nhà nghiên cứu biết được cấu trúc của vật liệu có xu hướng như thế nào – nhưng chúng không mô tả đầy đủ các biến hoặc không chắc chắn bên trong cấu trúc của vật liệu, bởi vì chúng không mô tả các câu trả lời bằng xác suất.
“Bình phương tối thiểu là một kỹ thuật đơn giản, nhưng nó không cho phép chúng tôi mô tả cấu trúc tinh thể suy ra bằng cách trả lời những câu hỏi mà các nhà khoa học vật liệu đặt ra”, Alyson Wilson, một giáo sư về thống kê tại Đại học North Carolina State và đồng tác giả của bài báo nói. “Nhưng chúng tôi có kỹ thuật khác có thể giúp giải quyết thách thức này, và đó là những gì chúng tôi đã thực hiện với nghiên cứu này”.
Trong thực tế, không gian giữa các nguyên tử không phải là hằng số – nó không cố định trong suốt một mẫu. Và điều này cũng đúng cho mọi khía cạnh của một cấu trúc của vật liệu.
“Chúng ta hiểu rằng việc biến đổi, có thể với phương pháp mới này, cho phép chúng tôi biểu thị đặc tính của vật liệu theo một cách mới, phong phú hơn”, Jones nói.
Đây là nơi thống kê Bayes đóng vai trò quan trọng:
“Ví dụ, nguyên tử rung động”, Wilson nói. “Và mức độ rung động được điều khiển bằng nhiệt độ. Các nhà nghiên cứu muốn biết làm thế nào những rung động đang chịu ảnh hưởng của nhiệt độ đối với bất kỳ vật liệu nào. Và các công cụ Bayesian có thể cung cấp cho chúng ta xác suất của các chuyển vị nhiệt trong vật liệu.”
“Cách tiếp cận này sẽ cho phép chúng ta phân tích dữ liệu từ một loạt các kỹ thuật vật liệu đặc tính – tất cả các hình thức của quang phổ, phổ khối, bạn gọi tên nó – và mô tả đầy đủ hơn tất cả các loại vấn đề”, Jones nói.
“Chúng tôi cũng có kế hoạch sử dụng những kỹ thuật này để kết hợp dữ liệu từ các loại khác nhau của các thí nghiệm, để cung cấp, thậm chí hiểu rõ hơn về cấu trúc vật chất bên trong”, Wilson nói.
Anh Tuấn (lược dịch)
https://www.sciencedaily.com/releases/2016/08/160823112005.htm
[1] Là một loại công nghệ phân rã phân tử