3er.

Encuentro de J venes Investigadores en Ciencia y Tecnologa de Materiales

Concepcin del Uruguay, 12-13 de agosto 2010


REDES NEURONALES ARTIFICIALES APLICADAS
A LA DIFUSIN EN MATERIALES

Nahuel Barrios

Directores:
M. Ins Pascuet, J ulin R. Fernndez


Instituto Sabato, UNSAM y Departamento de Materiales, CAC/CNEA
Av. Gral. Paz 1499, 1650 San Martn, Buenos Aires, Argentina

E-mail: nbarrios@cnea.gov.ar


RESUMEN

Se utiliza una red neuronal artificial para predecir la energa de migracin de una vacancia en
funcin de la distribucin de las especies qumicas alrededor del defecto. El algoritmo se aplica a la
aleacin UAl
3
y al sistema Zr-Nb. El primer caso corresponde a una red ordenada de estructura
cbica donde los tomos de U se encuentran en los vrtices y los de Al en los centros de las caras. En
el segundo caso, se trata de la estructura cbica de cuerpo centrado del Nb y la hexagonal compacta
del Zr.
Se describen algunos detalles del clculo en relacin con la obtencin de los casos necesarios para el
entrenamiento y se analiza la bondad de la aproximacin de la red neuronal.

PALABRAS CLAVE: difusin, redes neuronales, simulacin atomstica.


1. INTRODUCCIN
Una red neuronal artificial (ANN, por sus siglas en ingls), es un modelo matemtico que simula el
comportamiento observado en los sistemas neuronales biolgicos. Consiste en un grupo de neuronas
artificiales, llamadas nodos, agrupadas en tres o ms capas (Fig.1). La primera capa, llamada capa de
entrada, corresponde al conjunto de variables independientes a tener en cuenta en el problema en
cuestin. La ltima capa, llamada de salida, corresponde a la respuesta final de la red neuronal. Entre
estas dos capas, pueden existir una o ms capas ocultas interconectadas entre s y con las capas de
entrada y salida. Los nodos en cada capa procesan la informacin y la transmiten desde la capa de
entrada a la de salida (feed forward ANN) [1].
En el presente trabajo se desarrollar una ANN para predecir la energa de migracin de la vacancia en
aleaciones de inters nuclear. Recientemente, esta tcnica de clculo puede combinarse con la de
Monte Carlo cintico para estudiar la difusin atmica debida a un mecanismo de vacancias [2]. En
dicho mecanismo, tanto el entorno qumico del tomo que salta hacia la vacancia, como el del defecto
juegan un papel fundamental en la magnitud de la barrera de energa de migracin de un tomo dentro
de la aleacin.
Las aleaciones a estudiar son la estructura ordenada UAl
3
, que es uno de los intermetlicos que se
forma en la interfase de contacto entre el Al y el U en los prototipos de elementos combustibles de alta
densidad [3], y la aleacin Zr-Nb, que se utiliza en varios de los componentes de las centrales
nucleares de potencia [4].
Si en una aleacin binaria A-B se toman N posiciones atmicas significativas alrededor del salto de la
vacancia, el nmero de configuraciones posibles que se generan variando la especie qumica es 2
N
.
Dicho nmero crece rpidamente a varios miles y hasta millones an para valores de N
Nahuel Barrios

moderadamente pequeos. La construccin de una tabla de tal magnitud requiere mucho tiempo de
clculo an con los procesadores ms potentes y, en caso que fuera posible obtenerla, su manejo sera
muy lento. Es por esto que se recurre a la inteligencia artificial para el armado de una ANN. Dicha red
se entrena con un nmero mucho menor de configuraciones elegidas al azar de manera que reproduzca
lo ms cercanamente posible la energa de migracin de un salto para una configuracin desconocida.

capade
entrada
capa
oculta
capade
salida
entrada1
entrada2
entrada3
entrada4
salida
capade
entrada
capa
oculta
capade
salida
entrada1
entrada2
entrada3
entrada4
salida

Figura 1. Modelo de ANN. Los crculos representan los nodos de la red.


2. OBTENCIN DE LOS CASOS PARA ENTRENAMIENTO
Para el desarrollo de simulaciones atomsticas por computadora, es de fundamental importancia una
eleccin adecuada del potencial interatmico requerido para vincular a los tomos entre s. Un
potencial interatmico es una representacin matemtica de la energa potencial de un sistema en
funcin de las coordenadas de las partculas. Tal potencial debe mantener cohesionada la red y
reproducir el comportamiento elstico del material.
En este trabajo se utilizarn potenciales de tomo embebido para el intermetlico UAl
3
[5] y la
aleacin substitucional desordenada de Zr en Nb bcc [6]. Este esquema de interaccin es ampliamente
utilizado en simulaciones computacionales en ciencia de materiales para el estudio de defectos
puntuales, superficies, propiedades elsticas, clculo de constantes de difusin, etc.
El UAl
3
presenta estructura cbica con los tomos de U en los vrtices del cubo y los de Al en los
centros de las caras. Al igual que una red fcc, cada posicin atmica est rodeada de doce tomos
como vecinos prximos a una distancia 2 / a y otros seis a una distancia a, siendo a el parmetro de
red. Si se tiene en cuenta el entorno de primeros vecinos de la posicin de la vacancia V y la del tomo
que salta J (primera capa de vecinos comunes), se tiene un total de N=19 posiciones, donde tambin se
contabiliza la posicin de J (Fig. 2-a). Si, adems, se extiende el entorno a las 8 posiciones a distancia
de segundos vecinos de V y J la cantidad anterior se incrementa a N=27. Por otro lado, si se considera
slo la primera capa de vecinos comunes a J y V en la red bcc del Nb se tiene un total de N=15
posiciones atmicas (Fig. 2-b). Tomando estos valores de N, el nmero de configuraciones posibles es
de 1.3410
8
para el UAl
3
y 3.2810
4
el Nb, lo cual justifica el uso de una ANN.
En el caso de la estructura bcc del Nb slo existe un tipo de salto posible. En cambio, el ordenamiento
de la red en el UAl
3
exige el tratamiento por separado de los saltos entre las subredes de Al y U y,
dependiendo de la naturaleza qumica, del tomo J . As, se obtienen los siguientes 6 tipos de salto:
saltos de un tomo de Al o de U desde la subred de Al hacia la de U y viceversa (4 saltos), y los saltos
de un tomo de Al o de U dentro de la misma subred de Al (2 saltos).
Para calcular la energa de migracin de la vacancia se mueve el tomo J desde su posicin inicial de
equilibrio hasta ocupar el sitio V. La energa de migracin se define como la diferencia entre el
mximo punto de la barrera y la energa en la posicin inicial del defecto. La altura de la barrera se
determina calculando la energa total del sistema con el tomo J ubicado en varios puntos intermedios
a lo largo del camino de migracin.
Nahuel Barrios

a) b)
G
F
2
F
1
F
3
F
4
E
1
E
2
J
V
A
B
3
B
4
C
2
C
1
D
4
D
3
D
1
D
2
z
y
x
B
2
B
1 G
F
2
F
1
F
3
F
4
E
1
E
2
J
V
A
B
3
B
4
C
2
C
1
D
4
D
3
D
1
D
2
z
y
x
B
2
B
1

B
1
A
C
2
B
3
C
3
B
2
J C
1
V
E
3
D
2
F E
1
D
1
E
2
D
3
x
z
B
1
A
C
2
B
3
C
3
B
2
J C
1
B
1
A
C
2
B
3
C
3
B
2
J C
1
V
E
3
D
2
F E
1
D
1
E
2
D
3
V
E
3
D
2
F E
1
D
1
E
2
D
3
x
z


Figura 2: Salto de la vacancia en la estructura a) fcc del UAl
3
y b) bcc del Nb. Los crculos y letras
indican posiciones atmicas vecinas y el cuadrado la posicin de la vacancia.

El clculo de la energa de migracin para cada configuracin se realiza con un cdigo computacional
llamado DEVIL (Defect Evaluation In Lattice), el cual trabaja sobre un cristal organizado en dos
regiones: a) Zona 1, que abarca un cierto nmero de partculas alrededor de las posiciones J y V, y b)
Zona 2, que encierra a la Zona 1 y simula el cristal infinito (Fig. 3). El par J -V se sita en el centro del
cristal inicialmente perfecto y, luego, el cdigo de simulacin permite relajar las fuerzas de los tomos
de la Zona 1 a efectos de minimizar la energa. La simulacin se realiza a volumen constante, puesto
que durante la minimizacin los tomos de la Zona 2 permanecen en sus posiciones de red perfecta.


J
V
Zona1
Zona2
J
V
Zona1
Zona2


Figura 3. Esquema del cristal utilizado en el clculo de la energa de migracin de la vacancia. El
crculo J indica el tomo que salta y el cuadrado V la vacancia.

El clculo se repite para diferentes configuraciones de las N posiciones cercanas a J y V. Una
configuracin atmica se identifica mediante una secuencia ordenada AB
1
B
2
B
3
, segn se indica en
la figura 2, donde cada letra puede tomar slo uno de los dos valores, 0 o 1, de acuerdo a la identidad
qumica del tomo que ocupa dicha posicin. Cada configuracin y su correspondiente energa de
migracin se renen en una tabla que se destinar al entrenamiento de la ANN.
Cabe sealar que para cada caso calculado no slo se obtiene la energa de migracin del salto desde la
posicin inicial J hasta la final V, sino tambin el salto inverso, dado que la curva E vs distancia
representa dos mnimos y un mximo intermedio. Esto y otras consideraciones de simetra sobre cada
una de las configuraciones de salto estudiadas multiplican la cantidad de casos y amplan la tabla de
entrenamiento.


Nahuel Barrios

3. OBTENCIN DE LAS SINAPSIS Y RESULTADOS
El esquema de la red neuronal tomado para el trabajo es el que se indica en la figura 1. Cada nodo de
la capa oculta recibe como entrada a todas las seales provenientes de la capa de entrada y la respuesta
es propagada hacia la capa de salida. Dentro de cada nodo i, las entradas y
j
se combinan linealmente de
la forma

=
+ =
N
j
j ij i i
y w w F
1
(1)

donde la suma se extiende a las N variables de entrada y
j
, w
ij
son los pesos de las conexiones entre
ellas y w
i
es una constante (bias) para el nodo i. Antes de salir del nodo, la funcin lineal F
i
se pasa
por una funcin no-lineal (F
i
), llamada funcin de activacin que, en el presente trabajo, se toma
como una tangente hiperblica. Denominamos sinapsis de la ANN al conjunto de conexiones entre los
nodos, los valores de los pesos w y la funcin .
El entrenamiento de la red neuronal consiste bsicamente en ajustar los valores de w a varios de los
casos de migracin de la vacancia calculados en la seccin anterior. Con este propsito, la tabla con R
ejemplos de configuraciones vs. energas de migracin se divide aleatoriamente en dos partes de
longitudes T y S, tal que R=T+S. La primera parte con T ejemplos se utiliza para ajustar los valores de
w de manera de minimizar la funcin

=
=
T
i
i i
o d
T
f
1
2
) (
1
(2)

donded
i
es la salida deseada y o
i
es la respuesta dada por la ANN. Durante la construccin de la red
neuronal y el ajuste de los pesos, la segunda parte de la tabla con S ejemplos se utiliza para evaluar el
error en la prediccin de casos desconocidos a travs de una funcin g definida en forma similar a la
ec. (2).
En principio, una red neuronal con una sola capa oculta, como la considerada en el presente trabajo,
puede aproximarse tanto como se quiera a cualquier funcin continua, siempre que se elijan
adecuadamente los pesos w, la funcin y el nmero de nodos en dicha capa oculta (teorema de
Cybenko [7]).
El cdigo VANNHICO [8], utilizado en este trabajo, permite incrementar progresivamente el nmero
de nodos de la capa oculta, optimizando los pesos a cada paso a travs de la funcin f y agregando
nuevos nodos de acuerdo al valor de g.
La figura 4 muestra resultados de la correlacin lograda mediante una ANN optimizada para dos de
los saltos analizados: el salto de un tomo de Al desde la subred de Al hacia la de U en UAl
3
(Fig. 4-a)
y el salto de un tomo de Nb en la estructura bcc del Nb (Fig. 4-b). Los dems casos muestran
resultados similares. En cada caso se obtuvo el error relativo medio

( ) R d o d e
R
i
i i i
/ / | | 100
1

=
= (3)

y el coeficiente de correlacin de Pearson [9]




= =
=
> < > <
> < > <
=
R
i
i i
R
i
i i
R
i
i i i i
o o d d
o o d d
r
1
2
1
2
1
) ( ) (
) )( (
(4)

en donde el smbolo <x>significa el valor medio de la variable x. Ambos coeficientes se obtuvieron
sobre todos los R ejemplos calculados. El coeficiente r puede variar entre 1 y 1; si r =1 existe una
relacin directa (cuando la variable independiente aumenta, la variable dependiente lo hace en la
misma proporcin) y si r =1 la relacin es inversa. La situacin ideal, e=0 y r=1, correspondera a
todos los puntos ubicados sobre una recta a 45 grados.
Nahuel Barrios


a) b)

Figura 4: Prediccin de la red neuronal artificial en funcin de la barrera de energa calculada: a) salto
del Al desde la subred de Al hacia la de U en UAl
3
(e =7%, r =0.974) y b) salto del Nb en la
estructura bcc del Nb (e = 11%, r =0.994).

4. CONCLUSIONES
El empleo del modelado por computadora constituye una herramienta complementaria muy importante
del experimento para el estudio del movimiento de los tomos en un slido. La correlacin lograda
para estructuras tan diferentes como un intermetlico y una aleacin desordenada es muy buena. Este
ltimo resultado convierte a la ANN en una herramienta til para reemplazar tcnicas atomsticas ms
elaboradas pero ms costosas. Prximamente, se planea desarrollar un cdigo de simulacin
atomstico que utilice las sinapsis obtenidas para el clculo del transporte de masa mediante la tcnica
de Monte Carlo cintico.

REFERENCIAS
[1] C. M. Bishop, Neuronal networks for pattern recognition; 1995, Clarendon Press, Oxford.
[2] M. I. Pascuet, N. Castin, C. S. Becquart y L. Malerba, Stability and mobility of Cu-vacancy
clusters in FeCu alloys: a computational study based on the use of artificial neural networks for
energy barrier calculations, a publicarse en J ournal of Nuclear Materials.
[3] M. I. Mirandou, S. F. Aric, S. N. Balart y L. M. Gribaudo, Characterization of the interaction
layer in diffusion couples U-7 wt.%Mo/Al 6061 alloy at 550C and 340C. Effect of the U(Mo)
cellular decomposition, Materials Characterization, Vol. 60 (2009), p. 888 -893.
[4] C. O. Smith, Nuclear reactor materials; 1967, Adison-Wesley.
[5] P. R. Alonso, J . R. Fernndez, P. H. Gargano y G. H. Rubiolo, U-Al system: ab-initio and many
body potential approaches, Physica B, Vol. 404 (2009), p. 2851-2853.
[6] J . R. Fernndez, A. M. Monti y G. Simonelli, Potenciales interatmicos tipo EAM para la
aleacin Zr-Nb, Actas de la SAM/CONAMET, 2007, p. 1740-1745.
[7] G. V. Cybenko, Approximation by superpositions of sigmoidal function, Mathematics of
Control, Signals and Systems, Vol. 2 (1989), p. 303-314.
[8] N. Castin y L. Malerba, Calculation of proper energy barriers for atomistic kinetic Monte Carlo
simulations on rigid lattice with chemical and strain field long-range effects using artificial
neural networks, J ournal of Chemical Physics, Vol. 132 (2010), 074507.
[9] D. D. Wackerly, W. Mendenhall y R. L. Scheaffer, Estadstica matemtica con aplicaciones;
2002, Thomson (6ta. Edicin).

AGRADECIMIENTOS
Este trabajo ha sido realizado en el marco del proyecto C057 (UNSAM) y parcialmente financiado por
el proyecto PIP 5062 (CONICET). De manera especial, deseamos agradecer a Nicols Castin por
permitirnos usar el cdigo VANNHICO y por su gran colaboracin.