Готовы ли LLM к реальному открытию материалов?

Аннотация

Большие языковые модели (LLMs) создают захватывающие возможности для мощных инструментов обработки языка, которые могут ускорить исследования в материаловедении. Хотя LLM обладают большим потенциалом для ускорения понимания материалов и их обнаружения, в настоящее время они не дотягивают до практичных инструментов материаловедения. В этой позиционной статье мы показываем релевантные случаи неудач LLM в материаловедении, которые выявляют текущие ограничения LLM, связанные с пониманием и рассуждением о сложных, взаимосвязанных знаниях материаловедения. Учитывая эти недостатки, мы описываем рамку для разработки LLM в области материаловедения (MatSci-LLMs), основанных на знаниях материаловедения и генерации гипотез с последующей проверкой гипотез. Путь к созданию результативных MatSci-LLMs во многом опирается на построение высококачественных мультимодальных наборов данных из научной литературы, где сохраняются различные задачи извлечения информации. В связи с этим мы описываем ключевые задачи извлечения информации в материаловедении, которые необходимо преодолеть, чтобы построить масштабируемые мультимодальные наборы данных, сохраняющие ценное знание о материалах. Наконец, мы намечаем дорожную карту применения будущих MatSci-LLMs для реального обнаружения материалов посредством: 1. Автоматизированного построения базы знаний; 2. Автоматизированного In-Silico проектирования материалов; и 3. Интегрированных с MatSci-LLM самоуправляемых лабораторий материаловедения.

1 Введение

⟦Figure 1: Обзор требований MatSci-LLM, связанных с приобретением знаний и ускорением науки. MatSci-LLM требуют знаний, содержащихся в нескольких документах по нескольким типам данных. Соответствующие знания в области материаловедения включают понимание структуры материалов, свойств и поведения в различных условиях, а также процедур синтеза и анализа материалов на основе описаний экспериментов. Для эффективного ускорения науки MatSci-LLM должны взаимодействовать с учёными-людьми как надёжные системы вопрос-ответ и выступать в качестве обоснованных генераторов гипотез, дополняющих знания учёного. Кроме того, MatSci-LLM должны предоставлять исполнимые процедуры для реальных экспериментов через интерфейсы машин-машин и человек-машина.

Появление больших языковых моделей (LLMs) начало перестраивать многие усилия по разработке технологий и исследовательские дорожные карты. Помимо существенного влияния на область обработки естественного языка, LLMs оказали значительное воздействие на многие смежные области, такие как компьютерное зрение с генераторами изображений по тексту (Zhang et al., 2023), и послужили импульсом к созданию инициатив по интеграции их возможностей в различные отрасли. Примеры таких инициатив включают автоматизацию задач в здравоохранении (He et al., 2023), юридической сфере (Dahl et al., 2024), финансах (Wu et al., 2023a), инженерии программного обеспечения (Fan et al., 2023) и в нескольких научных областях. Успешное применение LLMs в материаловедении потенциально может преобразовать эту область, ускоряя открытие, синтез и анализ новых материалов, которые способны решать некоторые из сегодняшних сложных вызовов масштаба общества, таких как изменение климата, энергетическая безопасность, устойчивое сельское хозяйство и производство, персонализированные медицинские устройства и доступ к более мощным вычислительным системам. Хотя в недавних исследованиях наблюдается рост внедрения LLMs в смежных научных областях, таких как chemistry (Jablonka et al., 2023) и разнообразные области biology (Lin et al., 2023; Hsu et al., 2022; Xu et al., 2023; Cui et al., 2023; Dalla-Torre et al., 2023), применение LLMs в материаловедении развивалось значительно медленнее. В этой статье мы анализируем текущие неудачи LLMs в материаловедении и предлагаем требования к LLMs для MATerials SCIence (MatSci-LLMs) вместе с дорожной картой, чтобы обеспечить результативное применение MatSci-LLMs для дальнейшего развития области материаловедения.

1.1 MatSci-LLM требования

Материаловедение является крайне междисциплинарной областью — первой научной дисциплиной, возникшей в результате слияния различных направлений (физики, химии, механотехники и металлургии), а не как разделение, — которая изучает, как взаимодействие атомной материи влияет на свойства и поведение материалов в разнообразных наборах условий. Широкая область материалов охватывает несколько физических масштабов: от наноструктур с небольшим числом атомов, применяемых в современных вычислительных устройствах, до континуальных материалов, таких как металлы и цемент, которые образуют современную инфраструктуру вроде дорог, мостов и зданий. Кроме того, широкий спектр применения материалов может простираться от электронных материалов (например, транзисторы, батареи) до химических материалов (например, полимеры) и биологических материалов (например, медицинские имплантаты), при этом каждое из них имеет существенно разные требования и условия применения. В силу этого материаловедение часто заимствует понятия из смежных научных областей, включая физику, химию и биологию, что приводит к большому и динамичному массиву работ, охватываемых данной областью. Эта неоднородность также определяет широкий диапазон задач, которые выполняют специалисты по материалам в разных поддисциплинах, что, в свою очередь, дополнительно формирует требования MatSci-LLMs.

Учитывая разнообразие знаний в области материаловедения и связанных с ними технических задач, мы предлагаем, чтобы MatSci-LLM соответствовала следующим требованиям, указанным в Figure 1: 1. Знание предметной области и обоснованное рассуждение: MatSci-LLMs должны понимать материаловедение как область знаний, чтобы предоставлять полезную информацию материаловедам и уметь рассуждать о ключевых принципах материаловедения, 2. Расширение возможностей материаловедов: MatSci-LLMs должны уметь выполнять полезные задачи для ускорения исследований в области материаловедения, дополняя работу материаловедов в надежной и интерпретируемой форме.

Знание предметной области и обоснованное рассуждение: Недавние исследования привели к прогрессу в части встраивания знаний предметной области материаловедения в LLM для решения текстовых задач. Ранние работы, такие как Walker et al. (2021); Gupta et al. (2022); Huang & Cole (2022), были сосредоточены на обучении архитектуры BERT (Devlin et al., 2019) на корпусах текстов предметной области, релевантных материаловедению. Подробный анализ этих и других научных языковых моделей с помощью Song et al. (2023a) показал, что предметно-ориентированное предварительное обучение действительно встраивает в языковые модели релевантные знания о материалах, подчеркивая важность формирования высококачественных языковых наборов данных по материаловедению. Работы Song et al. (2023b) и Xie et al. (2023), выполненные недавно, показали, что донастройка с учетом инструкций с использованием коммерческих LLM большого масштаба может дополнительно улучшить качество выполнения задач языковой обработки в материаловедении. Хотя это указывает на то, что практическое материаловедение может быть извлечено из современных коммерческих LLM, таких как GPT-3.5, Claude и GPT-4, их знания в области материаловедения остаются неполными, что показано в Zaki et al. (2024). Как мы обсуждаем в Section 2, обоснованное рассуждение на основе принципов материаловедения остается текущей проблемой.

Усиление работы материаловедов: исследовательская работа в этом направлении в первую очередь ограничивалась смежными областями, в частности химией. Jablonka et al. (2023) продемонстрировал различные применения LLM в различных химических задачах, а Bran et al. (2023) и Boiko et al. (2023) привели примеры того, как инструментально-усиленный GPT-4 может выполнять планирование и выполнение реальных экспериментов на основе запросов пользователя. Хотя такие работы демонстрируют большую релевантность материаловедению, они недостаточны для охвата огромного разнообразия знаний и научных задач в материаловедении, тем самым не соответствуя критериям, необходимым, чтобы считать их MatSci-LLMs. Например, одно конкретное различие между химическими LLM и MatSci-LLMs состоит в том, что названия IUPAC в химии значительно упрощают идентификацию и отслеживание молекулярных структур. Как обсуждалось в Section 3, материаловедческая область включает гораздо большее разнообразие, включая периодические кристаллические структуры, поверхности, наноструктуры, металлы и сплавы, а также разупорядоченные материалы, такие как стекла, что ограничивает степень систематизации, которую можно достичь при индексировании этих материалов с помощью естественного языка.

1.2 Что нужно для LLM в материаловедении?

Чтобы полностью раскрыть потенциал LLMs для материаловедения, необходимо добиться дальнейшего прогресса по следующим направлениям:

1. ⟦ Генерация гипотез, опирающаяся на знания в материаловедении: MatSci-LLMs требуют понимания разнообразных знаний в области материаловедения и способности рассуждать по ключевым принципам предметной области. Это позволит MatSci-LLMs отвечать на запросы по вопросам, относящимся к предметной области, и генерировать полезные гипотезы, которые можно проверить с помощью реальных экспериментов. Современные LLM с трудом дают хорошо обоснованные ответы, ссылающиеся на соответствующие подтверждающие свидетельства для углубленных вопросов. Хотя продолжающийся прогресс демонстрирует способность современных LLM предоставлять релевантные знания в области материаловедения (Song et al., 2023b), остаются четкие пробелы (Zaki et al., 2024).
2. ⟦ Многомодальные наборы данных по материаловедению: чтобы MatSci-LLMs могли запечатлеть истинный масштаб человеческих знаний в области материаловедения, нам нужны крупномасштабные, высококачественные многомодальные наборы данных, основанные в первую очередь на публикациях по материаловедению с рецензированием. Значительная часть знаний в литературе по материаловедению содержится в таблицах, рисунках и других модальностях, которые наряду с физическими и химическими взаимосвязями, лежащими в их основе, выражают важные свойства материалов и их поведение. Кроме того, современные LLM по-прежнему испытывают трудности с пониманием предметно-ориентированного языка материаловедения и эффективной обработкой записи материаловедения, включая химические формулы и математические формулы, представленные в строке вместе с другим текстом.
3. ⟦ Проектирование материалов в реальном мире: соединение MatSci-LLMs с инструментами моделирования и экспериментальными средствами в реальном мире новаторскими способами может всесторонне ускорить проектирование материалов, синтез и анализ за счет обеспечения сквозной автоматизации. Как описано в Section 5, MatSci-LLMs могут обеспечивать мощные интерфейсы человек-машина и машина-машина для повышения степени автоматизации в исследованиях материалов, открытии материалов и коммерческом производстве материалов. Исследования в области chemistry LLMs (Bran et al., 2023; Boiko et al., 2023) показали ранние перспективы в развертывании tool-augmented LLMs для задач сквозного проектирования материалов, выполняемых на основе текстового ввода пользователя.

2 Аварийные случаи LLMs в материаловедении

Хотя недавние работы показали большую перспективность применения LLM к материаловедению и смежным областям, важно понимать ограничения LLM на широком наборе задач в области материаловедения. В этой связи несколько усилий были сосредоточены на задачах, связанных с вопросно-ответным поиском, написанием кода, распознаванием именованных сущностей, абстрактной классификацией и извлечением состава из таблиц в материаловедческой литературе (Zaki et al., 2024; Gupta et al., 2023; Song et al., 2023b, a). Здесь мы приводим некоторые примеры случаев неудач, демонстрирующие необходимость разработки надежных MatSci-LLM прежде чем внедрять их для практических применений.

Высококомпетентные LLM, такие как GPT-4 (Achiam et al., 2023) и LLaMA-2 (Touvron et al., 2023), обучаются на огромных корпусах общедоступных текстовых данных (Computer, 2023). Соответственно, коммерческие LLM должны были иметь некоторую разумную осведомлённость о предметной области материаловедения на основе материалов и иной информации общественного достояния о материаловедении, представленных в wikipedia и других источниках. Для оценки знаний по предметной области MatSci у LLM Zaki et al. (2024) сформировала набор данных из 650 вопросов, требующих для ответа знаний на уровне бакалавриата. Анализ ответов LLM показал, что GPT-4 с рассуждениями chain-of-thought (CoT) (Wei et al., 2022) продемонстрировал наилучшие результаты со счётом 62% точности. Важно отметить, что GPT4-CoT хуже всего справлялся с вопросами числового типа: точность составила всего 39%. Это позволяет предположить, что современные LLM плохо справляются с выявлением правильных уравнений, привязкой контекста за счёт подстановки соответствующих числовых значений и последующим решением исходного вопроса. Кроме того, сравнение результатов LLM с результатами человека в том же экзамене показало, что GPT4-CoT, хотя и превосходил другие базовые модели, стабильно получал лишь 50% от показателей лучших участников и в конечном итоге так и не смог преодолеть порог, чтобы пройти квалификацию на экзаменах.

Задача, где LLM хорошо известны своим результативным выполнением, — это генерация кода (Chen et al., 2021; Lai et al., 2023; Zan et al., 2023). Хотя генерация кода для задач по химии дала в основном многообещающие результаты, как подробно описано в White et al. (2023), Zaki et al. (2024) также оценивала производительность LLM на задачах генерации кода и обнаружила, что GPT-4 показал точность лишь 71% даже в задачах написания кода, связанных с материаловедением. Тщательный анализ вопросов и задач по написанию кода, где GPT4-CoT работал плохо, выявляет два существенных вывода: (i) LLM испытывают трудности при решении сложных численных задач, не только из-за сложной арифметики (которую потенциально можно решить, преобразовав численный вопрос в код (Wu et al., 2023b)), но и из-за неспособности закреплять доступные данные в заданном уравнении. Сюда входят неверная подстановка, некорректное преобразование единиц измерения и пропуск констант при преобразовании единиц (например, учет скорости света, числа Авогадро и т. д.). (ii) LLM испытывают трудности в понимании информации, связанной с 3D-структурой. В частности, кристаллические структуры и симметрии, связанные с материалами, интерпретируются неверно, что приводит к ошибочным выводам. Zaki et al. (2024) наблюдала эти ошибки последовательно как в задачах генерации кода, так и в задачах вопрос-ответ для нескольких LLM.

Чтобы прояснить текущие случаи неудач LLM в материаловедении, рассмотрите вопрос ниже. «К какому из следующих классов кристаллов относятся материалы, которые одновременно являются пьезоэлектрическими и ферроэлектрическими: (A) 222 (B) 4mm (C) -1 (D) 2/m». Хотя (B) 4mm является правильным ответом, GPT4-CoT предлагает в качестве правильного ответа 2/m, обосновывая это тем, что: «(D) 2/m: Этот класс кристаллов не имеет центра симметрии, а значит, он может быть пьезоэлектрическим. Кроме того, это полярный класс кристаллов, поэтому он также способен быть ферроэлектрическим». Однако это рассуждение неверно — 2/m является центросимметричным и, следовательно, не является полярным кристаллом. Ответ на этот вопрос требует знаний о кристаллических структурах, что должно опираться на концепцию полярности атомов, основанную на кристаллической структуре. Хотя LLM понимает это требование, она демонстрирует слабые рассуждения и выводы, потенциально из-за отсутствия таких данных при обучении. Еще один пример, заслуживающий внимания, следующий. «Индексы Миллера первых трех брэгговских пиков в рентгеновской дифракционной картине, полученной из поликристаллического образца железа при комнатной температуре, равны (A) (111), (200), (220) (B) (100), (110), (111) (C) (100), (110), (200) (D) (110), (200), (220)». Хотя правильный ответ — (D), GPT4-CoT предлагает (C), обосновывая это тем, что: «систематически перечислив все возможные комбинации h, k и l и найдя те, которые удовлетворяют правилу отбора для BCC (h + k + l = четное), получаем следующие допустимые индексы Миллера: (100), (110) и (200)». Однако это противоречиво, поскольку для первого индекса Миллера (100) из списка h + k + l = 1 + 0 + 0 = 1, то есть число нечетное и не является четным. Соответственно, хотя понимание того, что правило отбора для BCC требует, чтобы (h + k + l) было четным, является верным, LLM не смогла корректно связать эту концепцию и предложить правильные индексы Миллера. Десять таких примеров приведены в Приложении B, где мы указываем вопрос, ответ и рассуждение, предоставленное GPT-4, а также правильное решение. Мы наблюдаем согласованные ошибки, допускаемые GPT-4 в численных значениях и в несоответствиях рассуждений как в вопросах по теоретическому материаловедению, так и в задачах по генерации кода в материаловедении. Эти наблюдения убедительно указывают на то, что LLM необходимо подвергать воздействию большего объема информации, специфичной для предметной области, и развивать более сильные способности к рассуждениям, чтобы они были пригодны для любых реальных применений в этой области.

Трудности рассуждений у LLM выходят за пределы области материаловедения, включая задачи в общем языке (BehnamGhader et al., 2023). Учитывая огромное значение способностей к рассуждению для формулирования и проверки научных гипотез, это по-прежнему является существенным пробелом в разработке MatSci-LLMs, что также имеет последствия для более шириного сообщества LLM. Хотя LLM показали перспективы в решении конкретных задач планирования, таких как планирование ретросинтеза (Boiko et al., 2023; Bran et al., 2023), и в выполнении функций на основе кода в рамках более общего рабочего процесса (Buehler, 2023; Yoshikawa et al., 2023), во многих случаях LLM все еще зависят от вмешательства человека и его исправлений. Помимо большей надежности, будущие LLM также могут выиграть от большей интерпретируемости, чтобы ускорить проверку гипотез и позволить ученым лучше понимать различные аспекты системы, которые их интересуют. Это особенно важно в материаловедении, где многие экспериментальные процедуры могут раскрывать ценную информацию о лежащих в основе свойствах материала и его поведении в различных условиях, что, в свою очередь, может способствовать более широкому пониманию фундаментальных физических и химических взаимосвязей системы материала.

3 Увязывание LLM с предметно-ориентированным языком в материаловедении

Область материаловедения требует большой технической глубины и широты из-за широкого технического охвата отрасли, которая взаимодействует с физикой, химией, биологией и различными инженерными дисциплинами. Поэтому материаловедение представляет уникальные задачи, связанные с приобретением знаний для предметно-ориентированных языковых моделей. Хотя некоторые из трудностей, такие как предметно-ориентированные обозначения, уникальны для материаловедения, другие имеют широкое пересечение с несколькими областями машинного обучения, такими как многомодальное извлечение информации с использованием текста, изображений и видео.

Предметно-ориентированные обозначения: в отличие от номенклатуры IUPAC (Hellwich et al., 2020) в химии, для материаловедения не существует стандартных обозначений; например, NaAlSi2O8, Na2O.Al2O3.2SiO2, SiO2–0.5Na2O–0.5Al2O3 все представляют один и тот же материал в разных контекстах. Кроме того, для обозначения материалов используются несколько распространенных предметно-ориентированных названий, включая сода и известь для Na2CO3 и CaCO3 соответственно. Далее, некоторые поддисциплины, такие как цемент, применяют собственные химические обозначения, которые противоречат общей химической нотации; C-S-H представляет гидрат силиката кальция в химии цемента, тогда как в стандартной химической нотации оно представляет углерод, серу и водород соответственно. Аналогично, в материаловедческой литературе встречается несколько непоследовательных сокращений для обозначения свойств. Эти сокращения иногда специфичны для заданного документа или могут присутствовать в нескольких документах. Таким образом, понимание этих обозначений требует привязки LLM к различным областям с правильным контекстом.

Неполные описания: научные публикации регулярно ссылаются на предшествующие работы в тексте, чтобы опустить конкретную информацию. Это иллюстрируется предложениями вроде «разрушение моделировали, используя установленную методологию, как описано в Griffith et al.»; распространенная практика в литературе по материаловедению. Такие подходы также крайне распространены при представлении экспериментальных или моделирующих протоколов, составов материалов, синтезов и условий испытаний, а также при оптимизации параметров процесса. Контекст работы, описанной в рукописи, в данном случае, таким образом, основан на другой рукописи. Кроме того, описания иногда могут быть весьма нелинейными, ссылаясь на разные источники крайне запутанным образом. Наконец, может иметься отсылка к руководствам различных приборов и источников материалов, которые описаны в другом месте. Таким образом, LLM должен получать информацию из нескольких источников и обрабатывать ее вместе в надлежащем контексте, чтобы создать последовательное описание процесса и связанного анализа, которые были выполнены.

Текст-в-структуру: в материаловедении текст используют для представления нескольких 3D или 2D структур различными способами. Например, кристаллические структуры представлены с помощью позиций Wyckoff (Aroyo et al., 2006) –4 мм в кристаллографии обозначает кристаллическую структуру, тогда как в общей литературе это может быть перепутано с метрикой расстояния (миллиметр). Кроме того, кристаллы представляют в широко используемом формате, известном как crystal information file (CIF), который описывает подробности кристалла вместе с положениями атомов, как показано в Appendix A с CIF для Silicon. Современные LLM не способны читать, интерпретировать или генерировать CIF, что является сильным ограничивающим фактором для открытия новых материалов. Аналогично, существует несколько других подходов к представлению 3D структуры с помощью текста, таких как xyz-файлы или другие специализированные файлы программного обеспечения для различных целей. Таким образом, способность LLM понимать такие файлы играет ключевую роль в материаловедческой области. Недавняя работа Gruver et al. (2023) показывает, что LLM могут генерировать корректные материалы в формате CIF при целевом дообучении, но не удается предоставить контекст, описывающий важные детали файла CIF.

Мультимодальное извлечение информации: текст и таблицы: соответствующая информация для материалов в рецензируемых статьях обычно представляется с использованием нескольких модальностей, включая текст, таблицы, рисунки и видеоматериалы — аудио используется крайне редко, хотя и не полностью отсутствует. Существенный прогресс был достигнут в эффективном извлечении табличной информации (Gupta et al., 2023; Zhao et al., 2023; Zhao & Cole, 2022), однако еще остается работа над тем, как наилучшим образом использовать извлеченные данные, чтобы встраивать лежащие в основе таблиц знания в языковые модели. Извлечение может быть особенно сложным для данных, основанных на свойствах, которые часто включают числа, сопоставляемые с различными типами научных единиц. Простое упражнение по извлечению информации из таблиц показало, что GPT-4 смог извлечь лишь $\sim 55\%$ свойств материалов из таблицы (Zaki et al., 2024) по сравнению с $\sim 73\%$ моделью, обученной для этой задачи (Gupta et al., 2023). Эта проблема усиливается тем фактом, что более 80% составов и свойств материалов приводятся в таблицах (Hira et al., 2023). Наконец, в нескольких случаях табличная информация неполная даже при чтении вместе с подписью. Например, при сообщении состава сплавов Магния многие таблицы в исследовательских статьях содержат значения всех компонентов, кроме Магния, для заданного сплава. Таким образом, процентное содержание Магния в этих сплавах нужно вычислять как 100-(сумма указанных элементов в таблицах для данного сплава). Такая задача требует привязки табличной информации к тексту, а затем выполнения необходимых вычислений для получения процентного содержания.

Многомодальное извлечение информации: текст и рисунки: Материалы характеризуются множеством экспериментальных методов, таких как анализ Рамана, рентгеновская дифракция (XRD), рентгеновская флуоресценция, сканирующие электронные микрофотографии или атомно-силовая микроскопия, результаты которых представлены в рисунках. Такая информация может включать визуальное представление, зафиксированное измерительной техникой, например оптическую микрофотографию, или график, который обобщает эту информацию, как в случае рентгенодифракционных картин (XRD). Кроме того, эта информация будет кратко дополнена в подписи к рисунку, а затем подробно объяснена в тексте. Пример текста из материаловедческой литературы может быть следующим: «Показанные на рисунке XY(a) рентгенодифракционные картины (XRD) указывают на то, что образец является аморфным и не содержит кристаллической фазы. Кроме того, XRF на рис. XY(b) демонстрирует наличие кластеризации кальция вместо равномерного распределения». В данном конкретном случае текст и рисунок необходимо интерпретировать совместно. Более того, конкретные аспекты изображения, которые позволяют сделать интерпретацию, например кластеризацию кальция, или конкретная особенность рентгенодифракционных картин (XRD), позволяющая исследователю определить, что материал является аморфным, не помечены. Чтобы LLM мог освоить эти аспекты, требуется большое число изображений и согласованного текста для совместного обучения.

Мультимодальное извлечение информации: текст, иллюстрации, таблицы и видео: дополнительные способы представления релевантной информации включают сочетание текста, иллюстраций и таблиц. В таких случаях информация из таблицы должна читаться вместе с иллюстрациями, при этом рассуждения должны быть обоснованы контекстом рукописи, что в дальнейшем усиливает совокупную значимость мультимодального извлечения информации. Иногда применяются дополнительные модальности, такие как аудиовизуальные файлы, чтобы продемонстрировать реакцию материала. Это включает режимы материального отказа, иллюстрирующие трещины, рост кристаллов, тепловой отклик, реакцию исполнительных механизмов и симуляции и прочее. В этом случае возникают дополнительные трудности, которые требуют обучения LLMs для корректной связки информации в видео, иллюстрациях, тексте и таблицах. Это открытые проблемы, для решения которых сообществу, возможно, потребуется разработать новые методы и архитектуры.

Хотя эти проблемы далеко не исчерпывают перечень, мы отмечаем, что упомянутые здесь задачи выявляют новые предметно-ориентированные проблемы, решения которых могут иметь потенциально сильное влияние и на другие научные области и области машинного обучения.

3.1 Контекст в нескольких документах и источниках

Большая часть информации, генерируемой в процессе научных исследований, документируется и передается посредством естественного языка в рецензируемых публикациях. Понимание этого текста — и потенциальное извлечение из него информации — создает несколько уникальных проблем, отличных от других областей (Hira et al., 2023). Одна из главных задач в этом отношении включает понимание важности контекста в рамках нескольких документов и источников информации. Как отмечалось выше, это дополнительно осложняется тем, что заданный материал может иметь несколько корректных названий и обозначений, то есть важная информация может содержаться во всех названиях для данного материала. Наличие уникальных соглашений об именовании в стиле IUPAC может ускорить развертывание LLMs, как наблюдается в химии (Jablonka et al., 2023), однако это часто бывает недостаточно, чтобы охватить все релевантные детали, необходимые для полного понимания свойств материалов и синтеза, что приводит к разработке дополнительных инициатив по данным, чтобы восполнить этот пробел (Kearnes et al., 2021; Mercado et al., 2023). Поэтому, хотя предложение соглашения об именовании в стиле IUPAC может показаться естественным решением, помогающим развертыванию LLMs в материаловедении, многие предложения таких соглашений ранее оказывались недостаточными из-за огромного разнообразия этой области.

3.2 Разнообразные экспериментальные и симуляционные процедуры

Хотя понимание контекста является первым шагом к автоматизированному открытию, следующим естественным шагом является выявление соответствующих экспериментальных или имитационных протоколов, относящихся к данному контексту. Существует множество экспериментальных и имитационных процедур для оценки одной и той же цели. В связи с этим понимание их и выбор релевантной процедуры или набора релевантных экспериментов является сложной задачей, которая требует доменно-специфичной информации и рассуждений. Ранние работы показали некоторую перспективность в предоставлении полезных инструментов для создания процедур синтеза для конкретных материалов (Olivetti et al., 2020; Jensen et al., 2021), однако остается еще много работы по эффективному внедрению LLMs для этих задач. Кроме того, процедуры синтеза материалов создают дополнительные трудности, учитывая разнообразие синтетических методик и условий обработки, наблюдаемых в задачах проектирования материалов даже внутри сходных классов материалов. Аналогично, эффективное in-silico проектирование и фильтрация материалов требуют точных симуляций, а невозможность сгенерировать корректные коды, опирающиеся на контекст, может усложнять эту задачу. Это иллюстрируется ошибками в задачах генерации кода, где LLMs не могут либо корректно привязать концепт к контексту, либо сгенерированный код демонстрирует численные ошибки. Таким образом, крайне важно использовать большие объемы отобранных и полных данных, связанных с симуляционными и экспериментальными процедурами, для обучения эффективных MatSci-LLMs.

4 Построение корпуса для материаловедения на основе мультимодальных данных

Производительность языковой модели зависит от качества набора данных, на котором они обучаются. Таким образом, создание набора данных остается неотъемлемой частью, обеспечивающей прогресс в различных поднаправлениях глубокого обучения, включая компьютерное зрение, обучение на графах, а также естественный язык как в общих, так и в научных областях. В материаловедении существует несколько специфичных для предметной области вариаций текста, а недавние разработки в мультимодальных языковых моделях стимулируют создание наборов данных, согласованных с дополнительными модальностями, такими как рисунки, таблицы и изображения. Учитывая огромное количество научной информации, выраженной в разнообразных модальностях, мультимодальные языковые модели позволят раскрыть существенно более мощные возможности для моделирования научного языка.

Золотой стандарт данных для обучения этих LLM по материаловедению в основном содержится в рецензируемых публикациях в авторитетных издательствах, таких как серия журналов Elsevier, Royal Society, American Society и Springer Nature, среди прочих. К сожалению, значительная часть содержимого рецензируемых публикаций в авторитетных журналах остается недоступной за пределами платных стен, ограничивающих публичный доступ, что затрудняет получение этих ценных текстовых данных. Соответственно, маловероятно, что какие-либо универсальные языковые модели, такие как GPT-4 или LLaMa, имели доступ к этим данным, что, вероятно, способствует их слабой производительности на задачах по материаловедению, описанной в Section 2. Хотя были обнадеживающие разработки по предоставлению научных текстовых данных в открытом доступе через различные серверы препринтов и порталы, такие как Semantic Scholar, текстовые данные, полученные из таких источников, часто требуют обширной очистки и процессов подготовки, прежде чем стать пригодными для обучения научных LLM (Lo et al., 2020). Исследовательские работы по повышению доступности текстовых данных уже дали значимые результаты в том, что обучение и оценка языковых моделей становятся более успешными (Song et al., 2023a, b). Однако отбор таких данных, на которых может быть обучена LLM, требует решения дополнительных проблем, связанных с данными, описанных ниже.

Доступность данных: в то время как семейства журналов, такие как Elsevier и Springer, предоставляют текстовые и API для интеллектуального анализа данных на основе платной подписки, машинно-читаемые форматы, такие как файлы xml, доступны только для рукописей, опубликованных в 21 веке. Почти все публикации 20 века или более ранние доступны только в виде PDF или отсканированных файлов оригинальных бумажных изданий, которые не так просто сделать машинно-читаемыми. Таким образом, огромный массив данных, представляющий совокупные научные усилия до 21 века, недоступен для обучения LLM. Кроме того, многие другие семейства журналов с рецензированием либо не разрешают интеллектуальный анализ текста и данных, либо не имеют структуры для его поддержки. Данные, полученные из серверов препринтов, таких как arXiv, часто требуют обширной очистки, чтобы их можно было использовать для обучения LLM.

Крупномасштабное описание и аннотация: когда данные получают из нескольких источников и в нескольких модальностях, таких как таблицы, текст, изображения, видео и коды, требуются соответствующие описания, согласующие различные модальности, чтобы обеспечить эффективное обучение. Например, CIF-документ о кремнии должен содержать подробное описание того, какая информация содержится в файле, чтобы LLM могла научиться интерпретировать информацию в CIF в дополнение к пониманию его формата. Однако такие крупномасштабные аннотации в настоящее время недоступны и для их надежности потребовались бы знания и ввод от специалистов в предметной области.

Связывание нескольких сущностей: Хотя получение данных о нескольких сущностях возможно, корректное связывание их так, чтобы их можно было читать вместе с соответствующим контекстом, представляет собой нетривиальную задачу. Например, описание рисунка или таблицы в рукописи может быть распределено по нескольким абзацам и даже по дополнительным материалам. Это отличается от стандартных подходов машинного обучения, где рисунок и описание приводятся вместе при обучении. Таким образом, разработка набора данных, который надлежащим образом связывает несколько сущностей, и применение подходящей схемы обучения, учитывающей как набор данных, так и контекст, по-прежнему остается открытой задачей для исследовательского сообщества.

Обработка внешних ссылок: Еще одна крупная проблема при формировании набора данных на основе рецензируемых публикаций связана с использованием внешних ссылок. В рукописи ссылки на несколько документов будут сделаны для того, чтобы либо обосновать утверждения, сделанные в текущей работе, и тем самым дать возможность читать рукопись в контексте упомянутой работы. Иными словами, информация в настоящей рукописи опирается на утверждения или наблюдения в рукописи-источнике, которая, в свою очередь, опирается на свои собственные ссылки. Набор данных и схемы обучения, разработанные для обучения MatSci-LLM, должны учитывать этот факт, чтобы уменьшить галлюцинации и обеспечить хорошо обоснованные гипотезы. Стоит отметить, что несколько LLM часто галлюцинируют, когда их просят предоставить ссылки. Кроме того, когда их просят сгенерировать текст в форме научной рукописи, эти LLM создают вымышленные ссылки, которые произвольно записываются так, чтобы соответствовать предложениям, сгенерированным в процессе. Это обосновывает необходимость надлежащим образом учитывать внешние ссылки в данных обучения.

В целом эти задачи указывают на то, что разработка набора данных для MatSci-LLMs требует тесного сотрудничества между несколькими организациями, включая издателей, государственные структуры, промышленность и академические круги. Кроме того, MatSci-LLMs требуют новых решений машинного обучения для ряда новых задач, таких как: (i) обработка старых и нечитаемых машиной данных с помощью методов компьютерного зрения, которые могут преобразовывать отсканированные документы в текст с сохранением исходных форматов, и (ii) новые методы машинного обучения, которые могут обрабатывать внешние ссылки и многомодальные данные, связанные друг с другом в разных контекстах. Такие решения могут иметь последствия, выходящие за пределы области материаловедения, например, оцифровка старых исторических документов, имеющих отношение к социальным наукам, включая историю, право и финансы.

5 Дорожная карта по применению MatSci-LLMs

Одной из самых захватывающих возможностей является применение MatSci-LLMs для сквозной автоматизации проектирования материалов. Более того, автоматизированное проектирование материалов может, в свою очередь, ускорить исследования по пониманию разнообразных научных сложностей, связанных с материаловедением. Figure 2 демонстрирует предложенную схему сквозной платформы для поиска материалов с MatSci-LLM в центре. В частности, мы полагаем, что MatSci-LLMs потенциально способны обеспечить три прорывные возможности: 1. Обогащение знаний в области материаловедения за счет автоматизированного построения базы знаний, которое усиливает понимание человеком; 2. Автоматизированное проектирование материалов in-silico с генерацией материалов, поддерживаемой ИИ, и высокоточной симуляцией; 3. Автономные лаборатории для синтеза и характеризации материалов в реальном мире.

⟦Figure 2: Дорожная карта цикла открытия материалов на основе LLM Mat-Sci. Цикл начинается с запроса материалов от исследователя, который задаёт желаемые свойства или приложение. Затем MatSci-LLM извлекает сведения из внешних и внутренних баз знаний, чтобы сформировать гипотезу дизайна материалов, которая оценивается in-silico. Далее MatSci-LLM обрабатывает результаты in-silico и готовит экспериментальный план синтеза и характеризации материала, после чего MatSci-LLM взаимодействует с соответствующими машинами для выполнения экспериментального рабочего процесса. Затем конечный результат показывается пользователю для оценки и обратной связи. Каждая стадия может взаимодействовать с другой для уточнения и улучшения за счёт MatSci-LLM.

5.1 Автоматизированное создание базы знаний

Недавние работы Cox et al. и Buehler (2024) показали, что намеренное использование LLM может потенциально расширить доступность полезных научных знаний, внешализируя знания доменно-специфичных LLM в виде структурированных, интерпретируемых человеком знаний. Cox et al. сгенерировал(а) аннотации для базы данных $>15,000$ белок-кодирующих последовательностей, используя надежные методы, которые опираются на ссылки и перекрестную проверку сгенерированной информации по научной литературе. Buehler (2024) внешализировал(а) знания LLM в виде структурированного графа знаний, который может быть исследован ученым, чтобы углубить понимание и при необходимости внести исправления и корректировки. В совокупности, будучи расширенными на смежные области, эти базы знаний становятся ценными ресурсами для широкого круга инженерных приложений, охватывающих разнообразную область материаловедения и технологий.

5.2 Автоматизированное моделирование материалов в среде in-silico

Одной из областей наибольшего потенциала влияния для MatSci-LLMs является их способность обеспечивать интерфейсы между людьми и машинами. Учитывая удобство естественного языка как человеко-дружественного интерфейса и способность LLM понимать, обрабатывать и генерировать текст в различных форматах, включая компьютерный код, открывается огромная возможность оптимизировать сложные научные процессы. Используя генерацию кода, tool-agumented MatSci-LLMs могут помогать в открытии новых материалов и в выполнении сложных сценариев рабочих процессов моделирования. Недавняя работа Buehler (2023) показывает возможный пример того, как LLM могут быть интегрированы с соответствующими инструментами для выполнения сквозного insilico проектирования полимерных материалов, где LLM может сгенерировать новое молекулярное соединение в нотации SMILES, а затем запросить различные LLM-based агенты для выполнения релевантных вычислений для тех же материалов. Дополнительные примеры в Buehler (2023) показывают, как система LLM также может настраивать соответствующую вычислительную среду путем установки релевантных пакетов, демонстрируя дальнейшие преимущества сквозной интеграции инструментов. Хотя многие из этих систем пока не были протестированы в больших масштабах, это представляет собой большой шаг вперед в построении действительно влиятельных MatSci-LLMs. Помимо генерации кода MatSci-LLMs также могут выступать в качестве генеративных моделей для новых материалов (Flam-Shepherd & Aspuru-Guzik, 2023; Gruver et al., 2023), которые дополняют текущие представления, основанные на графах или точечных облаках (Xie et al., 2021; Jiao et al., 2023; Govindarajan et al., 2023; Merchant et al., 2023; Zeni et al., 2023). Таким образом, MatSci-LLMs могут разрабатывать новые материалы-решения на основе своих неявных знаний, а также использовать другие генеративные методы в качестве инструментов для генерации гипотез.

Хотя недавние работы дают множество оснований для оптимизма относительно способности LLM решать конкретные задачи материаловедения в вычислительном эксперименте, во многих опубликованных работах не приводятся отрицательные результаты с описанием текущих сбоев LLM. В связи с этим важно продолжать более широкий анализ возможностей LLM для генерации кода в материаловедении, аналогичный Zaki et al. (2024), который может указывать на релевантные направления исследований для более надежной интеграции MatSci-LLMs в рабочие процессы материаловедческого моделирования.

5.3 Самоуправляемые лаборатории для Sim2Mat

Приведение смоделированных материалов к реальности (Sim2Mat) и согласование как экспериментальных, так и результатов моделирования является конечной целью сквозного проектирования материалов. Для этого MatSci-LLMs могут предоставить мощный инструмент для ускорения процесса проектирования релевантных экспериментов и ускорения их выполнения. Одним обнадеживающим фактом является то, что в недавних исследовательских работах наблюдается более широкое внедрение человеко-машинных интерфейсов для ускорения открытия и синтеза сложных систем материалов (Kanarik et al., 2023; Vasudevan et al., 2022), а также разработка автоматизированных лабораторий самоуправляемых материалов (Sim et al., 2023; Rupnow et al., 2023). Это открывает большую возможность для MatSci-LLMs дополнительно ускорить процесс разработки материалов, обеспечив связующую ткань между различными машинами, задействованными в экспериментальном выполнении. Sim et al. (2023) служит примером того, как разные машины в лаборатории могут быть объединены с помощью единого программного обеспечения, которое затем предоставляет возможность для непосредственного взаимодействия MatSci-LLMs между машинами посредством перевода между различными языками программного обеспечения, требуемыми для интерфейсов машина-машина. Кроме того, MatSci-LLMs могут предоставить языковой интерфейс для ученых-людей, которые могут задавать требования к проектированию, используя естественный язык, аналогичный Bran et al. (2023); Boiko et al. (2023), где экспериментальные рабочие процессы выполняются инструментально дополненными LLM. Также недавняя работа Yoshikawa et al. (2023) показывает, что LLM могут обеспечивать практические интерфейсы, которые более эффективно связывают ученых с роботизированными системами для выполнения химических задач. Как показано в Figure 2, способность MatSci-LLMs выполнять экспериментальные рабочие процессы потенциально может полностью замкнуть цикл открытия материалов, обеспечив сквозную автоматизацию проектирования материалов in-silico, за которой следует автоматизированный синтез по рецептам, которые одновременно доступны человеку для чтения и исполнимы машиной, чтобы вывести нужный материал в реальный мир, с последующим анализом и характеризацией, которые также включают взаимодействия машина-машина и человек-машина.

6 Заключение

Порочный цикл, показанный в Figure 2, имеет потенциал обеспечить значимые научные открытия посредством сквозной автоматизации, одновременно расширяя знания человека за счет обнаружения новых физических и химических взаимосвязей для растущего набора материалов. Однако уникальные трудности развертывания LLM в материаловедении, описанные в этой статье, требуют дальнейших исследований, чтобы MatSci-LLMs стали эффективными научными помощниками. Существенные достижения в исследованиях потребуют прогресса на стыке многих областей, включая machine learning, materials simulation, materials synthesis, materials characterization и robotics.

7 Широкое влияние

Среди 17 целей устойчивого развития (ЦУР), предложенных Организацией Объединенных Наций, 10 можно достичь или ускорить за счет инноваций в материалах. Разработка сквозной рамочной системы для ускорения поиска материалов может иметь более широкие последствия в нескольких областях, таких как здравоохранение, сельское хозяйство, энергетика, устойчивость, фильтрация воды и улавливание углерода, и это лишь некоторые примеры. Традиционный поиск материалов по-прежнему остается крайне медленным процессом: часто требуется период от 20 до 30 лет от начала проектирования до окончательного внедрения. Интеллектуальная (ИИ) система для поиска материалов может потенциально сократить этот цикл до нескольких лет или даже месяцев, тем самым предоставляя способ для решения крупных общественных задач. Кроме того, доступность облачных вычислений и веб-служб может сделать этот процесс крайне эффективным и экономичным, что приведет к демократизации поиска материалов. Это может сократить разрыв между крупными корпорациями и предприятиями малого и среднего масштаба, позволяя осуществлять поиск материалов без наличия крупных лабораторных мощностей и обширных бюджетов на НИОКР. Хотя Mat-Sci LLMs имеют большие перспективы в снижении затрат и демократизации поиска материалов, необходимо проявлять большую осторожность, чтобы MatSci-LLMs и все связанные с ними технологии использовались этично и с ограничением потенциального вреда. Кроме того, могут возникнуть дополнительные непреднамеренные вредные последствия от применения MatSci-LLMs для поиска материалов, связанного с использованием природных ресурсов. Можно представить ситуацию, в которой новые открытия материалов создадут повышенный спрос на минералы, ранее практически не используемые. В свою очередь, это может привести к значительным последствиям для местных сообществ и окружающей экосистемы, а значит, потребует действий на уровне политики, чтобы избежать непреднамеренных эффектов.

Appendix A Файл кристаллической информации о кремнии

Следующее представляет собой CIF-документ для атома кремния. Метаданные включают источник, на основе которого разработан CIF, то есть сведения о публикации в журнале, включая имена авторов, название статьи, журнал, том, год и страницы. Далее, в файле также приведены полные параметры решетки. data_global _chemical_name_mineral ’Silicon’ loop_ _publ_author_name ’Kasper J S’ ’Richards S M’ _journal_name_full ’Acta Crystallographica’ _journal_volume 17 _journal_year 1964 _journal_page_first 752 _journal_page_last 755 _publ_section_title ; Кристаллические структуры новых форм кремния и германия ; _database_code_amcsd 0009282 _chemical_compound_source ’Synthetic’ _chemical_formula_sum ’Si’ _cell_length_a 6.636 _cell_length_b 6.636 _cell_length_c 6.636 _cell_angle_alpha 90 _cell_angle_beta 90 _cell_angle_gamma 90 _cell_volume 292.226 _exptl_crystal_density_diffrn 2.553 _symmetry_space_group_name_H-M ’I a 3’ loop_ _space_group_symop_operation_xyz ’x,y,z’ ’1/2+x,1/2+y,1/2+z’ ’1/2+z,x,1/2-y’ ’+z,1/2+x,-y’ ’1/2+z,-x,y’ ’+z,1/2-x,1/2+y’ ’-z,x,1/2+y’ ’1/2-z,1/2+x,+y’ ’-z,-x,-y’ ’1/2-z,1/2-x,1/2-y’ ’1/2+y,1/2-z,-x’ ’+y,-z,1/2-x’ ’-y,1/2-z,x’ ’1/2-y,-z,1/2+x’ ’1/2-y,z,-x’ ’-y,1/2+z,1/2-x’ ’y,z,x’ ’1/2+y,1/2+z,1/2+x’ ’x,1/2-y,1/2+z’ ’1/2+x,-y,+z’ ’-x,y,1/2+z’ ’1/2-x,1/2+y,+z’ ’x,1/2+y,-z’ ’1/2+x,+y,1/2-z’ ’-x,-y,-z’ ’1/2-x,1/2-y,1/2-z’ ’1/2-z,-x,1/2+y’ ’-z,1/2-x,+y’ ’1/2-z,x,-y’ ’-z,1/2+x,1/2-y’ ’z,-x,1/2-y’ ’1/2+z,1/2-x,-y’ ’z,x,y’ ’1/2+z,1/2+x,1/2+y’ ’1/2-y,1/2+z,x’ ’-y,+z,1/2+x’ ’y,1/2+z,-x’ ’1/2+y,+z,1/2-x’ ’1/2+y,-z,x’ ’+y,1/2-z,1/2+x’ ’-y,-z,-x’ ’1/2-y,1/2-z,1/2-x’ ’-x,1/2+y,1/2-z’ ’1/2-x,+y,-z’ ’x,-y,1/2-z’ ’1/2+x,1/2-y,-z’ ’-x,1/2-y,z’ ’1/2-x,-y,1/2+z’ loop_ _atom_site_label _atom_site_fract_x _atom_site_fract_y _atom_site_fract_z _atom_site_U_iso_or_equiv Si 0.10030 0.10030 0.10030 0.01127

Appendix B Ошибки в ответах на вопросы с помощью GPT4-CoT

Ниже приведены некоторые вопросы из области материаловедения, на которые GPT4-CoT дал неверные ответы. Мы приводим подробный вопрос и ответ, предоставленный GPT4-CoT, правильный ответ и ошибку в решении (выделено красным).

Вопрос 1

Материалы, относящиеся к какой из следующих кристаллических классов, будут одновременно пьезоэлектрическими и сегнетоэлектрическими: (A) 222 (B) 4mm (C) -1 (D) 2/m

Корректно: B, GPT4-CoT: D

Решение с помощью GPT4-CoT

Чтобы определить, какой класс кристаллов будет обладать одновременно пьезоэлектрическими и ферроэлектрическими свойствами, необходимо понять свойства каждого класса и критерии проявления пьезоэлектрического и ферроэлектрического поведения.

Пьезоэлектрические материалы: эти материалы генерируют электрический заряд при воздействии механического напряжения или деформации. Чтобы материал был пьезоэлектрическим, он не должен иметь центр симметрии (также называемый центром инверсии). Иными словами, он должен относиться к классу кристаллов с отсутствием центросимметрии.

Сегнетоэлектрические материалы: Эти материалы обладают спонтанной электрической поляризацией, которая может быть обращена внешним электрическим полем. Сегнетоэлектрические материалы также должны не иметь центра симметрии и относиться к классу полярных кристаллов, то есть обладать единственной полярной осью.

Теперь мы можем оценить каждый кристаллический класс:

(A) 222: Этот кристаллический класс имеет центр симметрии, поэтому он не может быть ни пьезоэлектрическим, ни сегнетоэлектрическим..

(B) 4mm: Этот кристаллический класс не имеет центра симметрии, что означает, что он может быть пьезоэлектрическим. Однако он не полярный, то есть не может быть сегнетоэлектрическим.

(C) -1: Этот класс кристаллов имеет центр симметрии, поэтому он не может быть ни пьезоэлектрическим, ни сегнетоэлектрическим.

(D) 2/m: Этот класс кристаллов не имеет центра симметрии, что означает, что он может быть пьезоэлектрическим. Кроме того, это полярный кристаллический класс, благодаря чему он также может быть сегнетоэлектрическим.

Таким образом, среди этих кристаллических классов только класс 2/m был бы одновременно пьезоэлектрическим и ферроэлектрическим.

Правильный ответ: [D].

Правильное решение. 2/m является центросимметричной и, следовательно, не является полярной. В отличие от этого, 4mm точечная группа является полярной.

Вопрос 2 (Дано: универсальная газовая постоянная, R = 8.31 J $mol^{-1}K^{-1}$, постоянная Фарадея, F = 96500 C $mol^{-1}$). Полуэлемент, состоящий из чистого Ni, погружённый в водный раствор, содержащий ионы $Ni^{2+}$ неизвестной концентрации, гальванически соединён с другим полуэлементом, состоящим из чистого Cd, погружённым в 1M водный раствор ионов $Cd^{2+}$. Температура 25°C, давление 1 атм. Стандартные электродные восстановительные потенциалы Ni и Cd равны -0.250 В и -0.403 В соответственно. Напряжение элемента найдено равным нулю. Концентрация (в микромолярном) $Ni^{2+}$ в растворе равна

Правильный ответ: 6–7,3, GPT4-CoT: 0

Решение с помощью GPT4-CoT

При стандартных электродных потенциалах восстановления Ni и Cd, равных -0.250 В и -0.403 В соответственно, напряжение элемента оказывается равным нулю, что означает, что суммарная реакция находится в равновесии. Мы можем использовать уравнение Нернста, чтобы найти концентрацию $Ni^{2+}$ в растворе.

Уравнение Нернста имеет следующий вид:

$E=E^{0}-\frac{RT}{nF}\ln{Q}$

где $E$ — это напряжение ячейки, $E^{0}$ — это стандартное напряжение ячейки, $R$ — универсальная газовая постоянная, $T$ — температура в Кельвинах, $n$ — число молей электронов, перенесённых в реакции, $F$ — постоянная Фарадея, и $Q$ — это реакционное отношение.

Поскольку напряжение на клетке равно нулю, уравнение Нернста принимает вид:

$0=E_{Ni}^{0}-E_{Cd}^{0}-\frac{RT}{nF}\ln{Q}$

Перед подстановкой известных значений нужно преобразовать температуру в Кельвины:

Температура (T) = 25°C + 273.15 = 298.15 K

Теперь мы можем подставить значения:

$0=(-0.250)-(-0.403)-\frac{8.31\times 298.15}{2\times 96500}\ln{Q}$

$0=0.153-\frac{2.4685\times 10^{-4}}{2}\ln{Q}$

Решите для Q:

$\ln{Q}=\frac{0.153\times 2}{2.4685\times 10^{-4}}$

$\ln{Q}=1239.5083$

Возьмите показатель степени с обеих сторон:

$Q=e^{1239.5083}$

Поскольку реакция клетки:

$Ni^{2+}+Cd\rightleftharpoons Ni+Cd^{2+}$

Коэффициент реакции Q равен:

$Q=\frac{[Cd^{2+}]}{[Ni^{2+}]}$

Учитывая, что концентрация $Cd^{2+}$ составляет 1M:

$1=\frac{[Cd^{2+}]}{[Ni^{2+}]}=\frac{1}{[Ni^{2+}]}$

Поэтому концентрация $Ni^{2+}$:

$[Ni^{2+}]=\frac{1}{Q}=\frac{1}{e^{1239.5083}}$

Поскольку вопрос просит концентрацию в микромолярном выражении, мы преобразуем концентрацию в микромолярное выражение:

$[Ni^{2+}]=\frac{1}{e^{1239.5083}}\times 10^{6}\,\mu M$

Однако в данном случае показатель степени слишком велик (1239.5083), и практически ответ стремится к нулю. Поэтому концентрация не будет иметь существенного значения и технически не может быть задана явно. Следовательно, ответ получается очень близким к 0 (примерно нулю) и является пренебрежимо малым.

Ответ: [0]

Ошибка, допущенная GPT4-CoT

В решении есть ошибка в вычислениях. В числителе выделенной дроби должно быть $256.872\times 10^{-4}$ вместо $2.4685\times 10^{-4}$⟧.

Правильное решение

Сбалансированное уравнение для реакции, происходящей в клетке,:

$Ni(s)+Cd^{2+}(aq)\xrightarrow{}Ni^{2+}(aq)+Cd(s)$

Стандартный потенциал ячейки можно рассчитать, используя стандартные восстановительные потенциалы полуреакций:

$E\textordmasculine_{cell}=E\textordmasculine_{Ni^{2+}/Ni}-E\textordmasculine_{Cd^{2+}/Cd}$

$E\textordmasculine_{cell}=(-0.250)-(-0.403)$

$E\textordmasculine_{cell}=0.153V$

Уравнение Нернста можно использовать для связи измеренного потенциала элемента, стандартного потенциала элемента и концентраций участвующих веществ в полуреакциях:

$E_{cell}=E\textordmasculine_{cell}-\frac{RT}{nF}ln(Q)$

где Q — это коэффициент реакции, а n — количество электронов, перенесенных в сбалансированном уравнении. Поскольку потенциал ячейки равен нулю, мы можем упростить уравнение до:

$lnQ=\frac{nF}{RT}E\textordmasculine_{cell}$

Для данной ячейки n = 2, потому что в сбалансированном уравнении переносятся два электрона. Температура равна 25°C, поэтому мы можем использовать R = 8.31 $Jmol^{-1}K^{-1}$ и F = 96500 $Cmol^{-1}$. Подставляя эти значения и стандартный потенциал ячейки в уравнение выше, получаем:

$lnQ=\frac{2\times 96500}{8.31\times 298}\times 0.153$

$lnQ=1.931$

$Q=e^{1.931}$

$Q=6.885$

Поскольку реакционное отношение равно концентрации $Ni^{2+}$ в растворе, мы можем найти концентрацию:

$Q=\frac{[Ni^{2+}]}{[Cd^{2+}]}$

$6.885=\frac{[Ni^{2+}]}{1}$

$[Ni^{2+}]=6.885\mu M$

Поэтому концентрация $Ni^{2+}$ в растворе составляет 6.885 $\mu M$.

Ответ: [6.885]

Вопрос 3

Индексы Миллера для первых трех пиков Брегга в рентгеновской дифракционной картине, полученной из поликристаллического образца железа при комнатной температуре, равны: (A) (111), (200), (220) (B) (100), (110), (111) (C) (100), (110), (200) (D) (110), (200), (220)

Правильный ответ: D, GPT4-CoT: C

Решение с помощью GPT4-CoT

Чтобы решить эту задачу, сначала нам нужно понять некоторые ключевые понятия:

Индексы Миллера (hkl): Индексы Миллера — это система обозначений, используемая в кристаллографии для описания ориентации кристаллографических плоскостей. Они представляются в виде (hkl), где h, k и l — целые числа, обратно пропорциональные отрезкам, которые плоскости отсекают на векторах решётки.

Закон Брэгга: Закон Брэгга описывает связь между углом падения рентгеновских лучей, расстоянием между узлами кристаллической решётки (d) и порядком отражения (n) в рентгеновской дифракции. Он задаётся формулой

$n\lambda=2d\sin\theta$

где $\lambda$ — это длина волны рентгеновских лучей, а $\theta$ — угол между падающим рентгеновским излучением и кристаллической плоскостью.

Для отражений Брегга межплоскостное расстояние d зависит от кристаллической структуры и индексов Миллера. В случае Железа (Fe) кристаллическая структура является Объемно-центрированной кубической (BCC).

Для структуры BCC общая формула для вычисления d через параметр решетки 'a' и индексы Миллера::

$\frac{1}{d^{2}}=\frac{(h^{2}+k^{2}+l^{2})}{a^{2}}$

Для заданной элементарной ячейки первыми будут дифрагировать рентгеновские лучи те плоскости, которые имеют наименьшие индексы Миллера и наибольшее межплоскостное расстояние d (наименьший угол, n=1). Поэтому нам нужно найти первые три брэгговских пика для Fe, то есть определить три набора с тремя наименьшими индексами Миллера.

Путем систематического перечисления всех возможных комбинаций h, k и l и выявления тех, которые удовлетворяют правилу выбора BCC (h + k + l = четное), получаем следующие допустимые индексы Миллера как:

(100), (110), и (200)

Теперь мы можем упорядочить их по их межплоскостному расстоянию d. Основываясь на формуле для d в структуре BCC:

$\frac{1}{d^{2}}=\frac{(h^{2}+k^{2}+l^{2})}{a^{2}}$

Величины квадратов индексов Миллера $(h^{2}+k^{2}+l^{2})$ для этих комбинаций равны:

$(100)\xrightarrow{}1^{2}+0^{2}+0^{2}=1$

$(110)\xrightarrow{}1^{2}+1^{2}+0^{2}=2$

$(200)\xrightarrow{}2^{2}+0^{2}+0^{2}=4$

Теперь мы можем упорядочить эти комбинации по величинам:

$(100)<(110)<(200)$

Поскольку меньшие индексы соответствуют более высокому межплоскостному расстоянию d и встречаются первыми в дифракционной картине, первые три брэгговских пика будут иметь индексы Миллера:

$(100),(110),and(200)$

Таким образом, правильный ответ:

(C) (100), (110), (200)

Ошибка, допущенная GPT4

В выделенном тексте $(1+0+0)$ не является нечетным. Следовательно, BCC следует исключить.

Вопрос 4

Какие из следующих утверждений(ий) являются истинными: (i) Все пьезоэлектрические материалы обязательно являются ферроэлектрическими (ii) Все ферроэлектрические материалы обязательно являются пьезоэлектрическими (iii) Все пироэлектрические материалы обязательно являются пьезоэлектрическими (iv) Все пироэлектрические материалы обязательно являются ферроэлектрическими

(A) (i) и (ii) (B) (ii) и (iii) (C) (i) и (iv) (D) (ii) и (iv)

Правильный ответ: B, GPT-4-COT: D

Решение с помощью GPT4-CoT

Чтобы ответить на этот вопрос, сначала нужно понять определения пьезоэлектрических, сегнетоэлектрических и пироэлектрических материалов.

Пьезоэлектрические материалы: Эти материалы проявляют электрический отклик при воздействии механического напряжения и, наоборот, механический отклик при воздействии электрического поля. Пьезоэлектрический эффект наблюдается в некоторых кристаллах, керамиках и полимерах.

Пьезоэлектрические материалы: эти материалы обладают спонтанной электрической поляризацией, которую можно обратить, приложив внешнее электрическое поле. Это свойство связано с наличием доменов с различной ориентацией поляризации в материалах.

Пироэлектрические материалы: эти материалы генерируют электрический заряд при нагреве или охлаждении, то есть они демонстрируют поляризацию, зависящую от температуры. В противоположность этому, они могут проявлять изменение температуры при приложении электрического поля.

Теперь давайте проанализируем каждое утверждение.

(i) Все пьезоэлектрические материалы обязательно являются сегнетоэлектрическими:

Это утверждение неверно. Хотя все сегнетоэлектрические материалы являются пьезоэлектрическими, не все пьезоэлектрические материалы являются сегнетоэлектрическими. Некоторые пьезоэлектрические материалы могут не обладать свойством сегнетоэлектричества, то есть спонтанной поляризацией, которую можно обратить, используя электрическое поле.

(ii) Все сегнетоэлектрические материалы в обязательном порядке являются пьезоэлектрическими:

Это утверждение верно. В сегнетоэлектрических материалах электрическая поляризация может быть обращена электрическим полем, что вызывает изменение расположения положительно и отрицательно заряженных ионов. Это смещение электрических диполей также приводит к электрическому отклику при воздействии механического напряжения, из-за чего сегнетоэлектрические материалы являются пьезоэлектрическими.

(iii) Все пироупругие материалы обязательно являются пьезоэлектрическими:

Это утверждение неверно. Пирэлектрические материалы проявляют поляризацию, зависящую от температуры, но они могут не демонстрировать прямой пьезоэлектрический эффект (электрический отклик на механическое воздействие или наоборот). Хотя некоторые пирэлектрические материалы также являются пьезоэлектрическими, это не обязательно верно для всех пирэлектрических материалов.

(iv) Все пироэлектрические материалы обязательно являются сегнетоэлектрическими:

Это утверждение верно. Пьезоэлектрический эффект возникает из-за наличия областей с разной ориентацией поляризации, что является характерным свойством сегнетоэлектрических материалов. При нагревании или охлаждении области в пьезоэлектрических материалах смещаются, вызывая изменение их электрического поля. Таким образом, все пьезоэлектрические материалы являются сегнетоэлектрическими.

В заключение, правильный ответ: (D) (ii) и (iv).

Ошибки, допущенные GPT4

«Все пироэлектрические материалы обязательно являются сегнетоэлектрическими» — это неверно. Хотя все сегнетоэлектрические материалы являются пироэлектрическими, обратное утверждение неверно.

Вопрос 5

Для бинарной системы при постоянном давлении существуют два типа инвариантных реакций: (i) $\alpha\leftrightarrow\beta+\\ gamma$ (ii) $\alpha+\beta\leftrightarrow\gamma$ Аналогично, сколько различных типов инвариантных реакций может существовать при переменной температуре и давлении для бинарной системы?

(A) 1 (B) 2 (C) 3 (D) 4

Верно: C, GPT-4-COT: B

Решение с помощью GPT4-CoT

Чтобы найти количество различных типов инвариантных реакций при переменной температуре и давлении для бинарной системы, сначала проанализируем различие между системами с постоянным давлением и с переменным давлением и температурой.

1. Постоянное давление: в этом случае P фиксировано, и у нас есть одна степень свободы (F = 1). Согласно правилу фаз Гиббса, F = C - P + 2, где C — число компонентов, а P — число фаз. Таким образом, для бинарной системы, C = 2.

Под постоянным давлением у нас могут быть два типа инвариантных реакций:

(i) $\alpha\xleftrightarrow{}\beta+\gamma$: В этом случае имеется 3 фазы (P = 3), и, подставляя в правило Гиббса для фаз, получаем F = 2 - 3 + 2 = 1. Следовательно, это является допустимой реакцией при постоянном давлении.

(ii) $\alpha+\beta\xleftrightarrow{}\gamma$: В этом случае есть 2 фазы (P = 2), и, подставляя в правило фаз Гиббса, получаем F = 2 - 2 + 2 = 2. Это не инвариантная реакция при постоянном давлении, поскольку у нас есть одна дополнительная степень свободы.

2. Переменная температура и давление: теперь у нас есть две степени свободы (F = 2).

Давайте проанализируем заданные типы реакций для переменной температуры и давления:

(i) $\alpha\xleftrightarrow{}\beta+\gamma$: Есть 3 фазы (P = 3). Подставляя в правило фазы Гиббса, F = 2 - 3 + 2 = 1. Это не инвариантная реакция при переменной температуре и давлении, поскольку нам не хватает одной степени свободы.

(ii) $\alpha+\beta\xleftrightarrow{}\gamma$: Есть 2 фазы (P = 2). Подставляя в правило фаз Гиббса, F = 2 - 2 + 2 = 2. Это допустимая инвариантная реакция при переменной температуре и давлении.

Давайте теперь проверим, существуют ли какие-либо другие типы инвариантных реакций с F = 2:

(iii) $\alpha\xleftrightarrow{}\beta$: There are 2 phases (P = 2). Substituting in the Gibbs phase rule, F = 2 - 2 + 2 = 2. This is a valid invariant reaction under variable temperature and pressure.

(iv) $\alpha+\beta+\gamma\xleftrightarrow{}$ None: Нет фаз (P = 0). Подставляя в правило фаз Гиббса, F = 2 - 0 + 2 = 4. Это не инвариантная реакция при переменной температуре и давлении, поскольку у нас есть две дополнительные степени свободы.

Следовательно, для бинарной системы могут существовать два различных типа инвариантных реакций при изменяющейся температуре и давлении: $\alpha+\beta\xleftrightarrow{}\gamma$ и $\alpha\xleftrightarrow{}\beta$.

Итак, ответ: (B) 2.

Правильное объяснение:

При переменных температуре и давлении для бинарной системы может существовать до трех типов инвариантных реакций.

Чтобы понять почему, нужно рассмотреть правило фаз, которое связывает число степеней свободы с числом фаз и компонентов в системе:

$F=C-P+2$

где F — число степеней свободы, C — число компонентов, а P — число фаз.

Для двоичной системы (C = 2) с двумя фазами ($\alpha$ и $\beta$) правило фаз принимает вид:

$F=2-2+2=2$

Это означает, что мы можем изменять две интенсивные переменные (например, T и P), сохраняя при этом инвариант системы, то есть при фиксированном составе и при наличии двух сосуществующих фаз.

Теперь рассмотрим возможные реакции, которые могут возникнуть в этой системе:

- Реакция (i) $\alpha\leftrightarrow\beta+\gamma$ включает один компонент (другой является продуктом реакции) и две фазы. Это означает, что она будет инвариантной реакцией при некотором T и P, но по мере изменения T и P реакция может стать неинвариантной, поскольку уже не будет возможно, чтобы все три фазы ($\alpha,\beta$ и $\gamma$) сосуществовали. Поэтому можно сказать, что существует по меньшей мере один тип инвариантной реакции при переменных T и P.

- Реакция (ii) $\alpha+\beta\xleftrightarrow{}\gamma$ включает оба компонента системы и две фазы. Аналогично, это может быть инвариантная реакция при определенных условиях, но может стать неинвариантной при изменении T и P. Поэтому можно сказать, что потенциально существует еще один тип инвариантной реакции, но он зависит от параметров системы.

- Наконец, может иметь место реакция, включающая оба компонента и все три фазы, например $\alpha+\beta\xleftrightarrow{}\gamma+\delta$. В этом случае правило фазы становится:

$F=2-3+2=1$

что означает, что можно изменять только одну интенсивную переменную, сохраняя инвариантность системы. Поэтому эта реакция могла бы быть инвариантной относительно переменных T и P, в зависимости от конкретных значений T и P.

В итоге может существовать до трех типов инвариантных реакций при переменных T и P, но точное число зависит от параметров системы. Поэтому правильный ответ: (C) 3.

Вопрос 6

Лучший магнитоэластический материал —

(A) $Nd_{2}Fe_{14}B$ (B) $Fe_{3}O_{4}$ (C) $Cu_{2}MnAl$ (D) $ZnFe_{2}O_{4}$

Корректно: A, GPT-4-CoT: C

Решение с помощью GPT-4-CoT

Магнитострикция — это свойство материала изменять свою форму или размеры в присутствии магнитного поля. Магнитострикционные материалы широко применяются в датчиках, исполнительных механизмах и других устройствах, где требуется изменение размеров под действием магнитных полей. Наилучший магнитострикционный материал характеризуется высокой магнитострикцией, высокой чувствительностью к магнитным полям и низкими потерями.

Теперь давайте рассмотрим данные варианты:

(A) $Nd_{2}Fe_{14}B$ - Нэодим-железо-бор хорошо известен своим высоким энергетическим произведением и сильными магнитными свойствами. Он используется в постоянных магнитах и находит применение в самых разных областях. Однако его магнитоэластические свойства выражены не сильно.

(B) $Fe_{3}O_{4}$ - магнетит, или оксид железа (II, III), является ферримагнитным материалом, то есть он обладает как ферромагнитными, так и антиферромагнитными свойствами. Магнетит демонстрирует хорошие магнитострикционные свойства, но существуют материалы, которые показывают лучшую магнитострикцию.

(C) $Cu_{2}MnAl$ - Copper Manganese Aluminum, также известный как сплав Гейслера или сплав Cu-Al-Mn, демонстрирует сильные магнитоэлектрические (магнитострикционные) свойства и относится к числу лучших магнитострикционных сплавов. Его высокая магнитострикция и низкие потери делают его подходящим материалом для применений, связанных с изменениями размеров под действием магнитных полей.

(D) $ZnFe_{2}O_{4}$ - оксид цинка и железа, или феррит цинка, является материалом спинельного феррита; он также используется в некоторых областях, где требуется магнитострикция. Он обладает некоторыми магнитостриктивными свойствами, но не такими сильными, как у сплава Cu-Al-Mn.

На основании вышеуказанной информации правильный ответ:

[Вариант (C) $Cu_{2}MnAl$]

Вопрос 7

Ссылаясь на фактор интенсивности напряжений, найдите правильное соответствие обозначений (столбец A) режиму деформации, применяемому к трещине (столбец B).

Столбец A: [(P) Режим I, (Q) Режим II, (R) Режим III]

Столбец B: [(X) режим сдвига в прямом направлении, (Y) режим параллельного сдвига, (Z) режим раскрытия трещины] ]

Варианты: (A) P - Z, Q - Y, R - X (B) P - Z, Q - X, R - Y (C) P - Y, Q - X, R - Z (D) P - Y, Q - Z, R – X

Верно: B, GPT4-CoT: A

Решение с помощью GPT4-CoT

Коэффициент интенсивности напряжений — это мера поля напряжений вблизи вершины трещины, которая имеет решающее значение для определения характера разрушения материала. Существует три моды деформации, применяемые к трещине, и они определяются следующим образом:

1. Режим I: режим раскрытия трещины — Этот режим включает раскрытие поверхностей трещины перпендикулярно направлению роста трещины. Нагрузка, прикладываемая в этом режиме, представляет собой растягивающее напряжение, и оно действует перпендикулярно плоскости трещины.

2. Режим II: Режим прямого сдвига — в этом режиме поверхности трещины скользят друг относительно друга в направлении роста трещины. Напряжение, прикладываемое в этом режиме, является касательным напряжением и действует параллельно и плоскости трещины, и направлению роста трещины.

3. Режим III: параллельный сдвиг — этот режим также характеризуется скольжением поверхностей трещины относительно друг друга. Однако напряжение, прикладываемое в этом режиме, представляет собой касательное напряжение, действующее параллельно плоскости трещины, но перпендикулярно направлению роста трещины.

Теперь сопоставим номенклатуру (столбец A) с видом деформации, применяемым к трещине (столбец B):

(P) Режим I — режим раскрытия трещины (Z): коэффициент интенсивности напряжений в режиме I соответствует режиму раскрытия трещины (раскрытие поверхностей трещины перпендикулярно направлению роста трещины).

(Q) Режим II — (X) Режим прямого сдвига: коэффициент интенсивности напряжений в режиме II соответствует режиму прямого сдвига (скольжению поверхностей трещины в направлении роста трещины).

(R) Режим III — (Y) Параллельный сдвиг: Коэффициент интенсивности напряжений в режиме III соответствует параллельному сдвиговому режиму (скольжение поверхностей трещины, перпендикулярное направлению роста трещины).

Итак, правильный вариант::

(A) P - Z, Q - Y, R – X

Вопрос 8

Какая из следующих современных практик используется для замедления реакции потерь решения при производстве чугуна в доменной печи?

(A) Высокое верхнее противодавление (B) Верхняя часть без подшипников (C) Пылеугольная инжекция (D) Вращающийся желоб для распределения нагрузки

Правильно: A, GPT4-CoT: B

Решение с помощью GPT4-CoT

В доменном производстве чугуна основная цель заключается в восстановлении оксида железа, содержащегося в исходном сырье, до металлического железа, а также в получении шлака и газов отходов. Однако различные факторы могут приводить к потере раствора в реакции, при которой восстановление оксида железа происходит недостаточно эффективно, и возникают потери ценных материалов. Необходимо применять современные практики, чтобы минимизировать эти потери и повысить общую эффективность процесса.

Давайте проанализируем каждый из предложенных вариантов:

(A) Высокое внутреннее давление:

Высокое верхнее давление увеличивает давление внутри доменной печи, улучшая контакт газ–твердое вещество и усиливая восстановительные реакции оксида железа. Однако этот метод в большей степени направлен на улучшение непрямого восстановления, а его влияние на замедление реакции потери раствора носит вторичный характер.

(B) Безколокольная верхняя часть:

Бессерийный (безколокольный) конус является типом системы зарядки, используемой в доменной печи. Он позволяет более эффективно распределять исходные материалы (шихту) в печи, уменьшая потери на реакцию с раствором. Система состоит из вращательного механизма, который равномерно распределяет шихтовый материал и помогает управлять потоком газа в печи. Минимизируя каналирование и улучшая контакт газ—твердое вещество, эта система существенно снижает реакцию с потерей раствора.

(C) Подача пылеугольного топлива (PCI)):

Впрыск пылеугольного топлива заключается во введении мелких частиц угля в доменную печь в качестве замены некоторого количества кокса, требуемого в процессе. PCI помогает снизить расход кокса и, следовательно, затраты, связанные с ним. Также это повышает общую энергетическую эффективность доменной печи. Однако его основное влияние связано с расходом кокса и не напрямую с реакцией потерь в результате решения.

(D) Вращающийся желоб для распределения нагрузки:

Вращающийся желоб — это еще один метод распределения нагрузки в доменной печи. Его назначение аналогично назначению бесклапанного верхнего устройства, то есть для равномерного распределения исходных материалов, чтобы обеспечить правильный контакт газ—твердое и предотвратить каналирование. Тем самым он может помочь в замедлении реакции потери раствора.

В заключение, среди представленных современных практик, та, которая в первую очередь используется для замедления реакции потери при решении в доменной выплавке железа, является:

Ответ: (B) Bell-less top

Вопрос 9

При отсутствии какого-либо внешнего напряжения какое из следующих утверждений, относящихся к взаимодействию точечного дефекта и дислокации, является ЛОЖНЫМ:

(A) Крупная атомная примесь преимущественно будет мигрировать ниже плоскости скольжения краевой дислокации. (B) Сферически симметричный точечный дефект может взаимодействовать как с гидростатическим, так и с полем сдвиговых напряжений дислокации. (C) Точечный дефект может локально изменять модуль упругости и тем самым изменять энергию взаимодействия. (D) Пустоты притягиваются к области сжатия дислокации.

Верно: B, GPT4-CoT: D

Решение с помощью GPT4-CoT

Давайте проанализируем каждое утверждение по очереди:

(A) Чрезмерно крупный атом растворенного вещества будет в предпочтительном порядке мигрировать ниже плоскости скольжения краевой дислокации.

Это утверждение ИСТИННО. Чрезмерно большой атом растворённого вещества больше, чем атомы хозяина в кристаллической структуре. Когда чрезмерно большой атом растворённого вещества присутствует рядом с краевой дислокацией, он испытывает состояние с более низкой энергией, перемещаясь в больший объём, созданный ниже плоскости скольжения. Наличие более крупного атома растворённого вещества в этой области уменьшает упругую энергию деформации дислокации, что делает такую конфигурацию благоприятной.

(B) Сферически симметричный точечный дефект может взаимодействовать как с полем гидростатических напряжений, так и с полем сдвиговых напряжений дислокации.

Это утверждение ИСТИННО. Сферически симметричный точечный дефект, такой как вакансия или межузельный атом, может взаимодействовать как с гидростатическим (изменяющим объем) полем напряжений, так и с сдвиговым (изменяющим форму) полем напряжений дислокации. Сферическая симметрия точечного дефекта позволяет ему создавать возмущение как в гидростатической, так и в сдвиговой компонентах напряжений, присутствующих вокруг дислокации, что приводит к взаимодействию между точечным дефектом и дислокацией.

(C) Дефект точечного типа может локально изменять модуль упругости и тем самым изменять энергию взаимодействия.

Это утверждение ИСТИННО. Дефект точки создает локальное нарушение в кристаллической решетке, которое влияет на модуль упругости в своей окрестности. Изменение модуля упругости может изменить энергию взаимодействия между дефектом точки и дислокацией. Это изменение энергии взаимодействия может повлиять на движение дислокации, либо способствуя ему, либо препятствуя ему.

(D) Вакансии притягиваются к компрессионной области дислокации.

Это утверждение ЛОЖНО. На самом деле вакансии притягиваются к области растяжения дислокации, где решетка находится под напряжением и межатомное расстояние больше. В области растяжения вакансия ощущает состояние с более низкой энергией, поскольку она частично снимает растягивающее напряжение, заполняя увеличенные межузельные пространства. Такое притяжение вакансий к области растяжения может способствовать движению дислокации, позволяя атомам легко «перескакивать» в вакансии, тем самым содействуя скольжению.

Таким образом, правильный ответ: [D].

Вопрос 10

Критическое значение энергии Гиббса зародышеобразования при равновесной температуре

(A) нулевое (B) бесконечное (C) положительное (D) отрицательное

Верно: B, GPT4-CoT: D

Решение с помощью GPT4-CoT

Чтобы ответить на этот вопрос, нужно понять концепцию энергии Гиббса и то, как она связана с зарождением.

Энергия Гиббса (также называемая свободной энергией Гиббса) — это термодинамический потенциал, который измеряет максимальную обратимую работу, которую может выполнить система при постоянной температуре и давлении. Она обозначается как G и определяется как:

G = H - TS

где H — это энтальпия, T — температура, а S — энтропия системы. В процессе фазового превращения или зародышеобразования изменение энергии Гиббса ($\Delta G$) определяет термодинамическую движущую силу процесса, чтобы он происходил.

Зародышевание является начальным этапом процесса фазового превращения, на котором возникает новая фаза (твёрдая или жидкая) внутри существующей фазы (например, когда водяной пар конденсируется в жидкие капли при формировании облаков). В равновесии скорость зародышеобразования постоянна, то есть существует баланс между образованием новых зародышей и растворением (исчезновением) существующих.

Теперь рассмотрим различные критические значения энергии Гиббса зарождения при равновесной температуре:

(A) Ноль: Если энергия Гиббса зарождения равна нулю в равновесии, это означает, что отсутствует термодинамическая движущая сила для протекания процесса зарождения. Система находится в наиболее стабильном состоянии, и фазовое превращение не произойдет или будет происходить очень медленно.

(B) Бесконечность: Энергия Гиббса зародышеобразования, будучи бесконечной в равновесии, термодинамически невозможна, поскольку это означало бы, что для формирования любых зародышей требуется бесконечное количество работы. Это противоречит определению энергии Гиббса, которая измеряет максимальную обратимую работу, которую может выполнить система.

(C) Положительное значение положительной энергии Гиббса зарождения указывает, что система находится в метастабильном состоянии. Хотя процесс зарождения все еще может происходить в этом состоянии, скорость зарождения существенно ниже, чем если бы $\Delta G$ было отрицательным. Система отдает предпочтение растворению по сравнению с зарождением, но фазовое превращение все еще может происходить при определенных условиях.

(D) Отрицательное значение энергии Гиббса зарождения означает, что система находится в неустойчивом состоянии и термодинамически предпочтительно протекание фазового превращения. В равновесии образование зародышей энергетически выгодно, и процесс зарождения будет самопроизвольно протекать.

В заключение, при температуре равновесия критическое значение энергии Гиббса зародышеобразования является:

Ответ: [(D) negative]