В последние годы наука о материалах переживает революцию благодаря внедрению машинного обучения в моделирование атомных взаимодействий. В авангарде этих изменений находятся такие исследовательские центры, как МФТИ, Сколтех, НИУ ВШЭ, Институт химии твердого тела и механохимии СО РАН, Институт биохимической физики имени Н. М. Эмануэля РАН, Институт Материаловедения Кальяри и Центр материалов Леобен. Российские и зарубежные учёные сделали значительный шаг вперёд, предложив алгоритм, который способен не только повысить скорость вычислений для парамагнитных материалов, но и сохранить высочайшую точность при анализе их структуры и свойств.
Машинное обучение: новый стандарт в моделировании материалов
Современные квантово-механические методы, такие как теория функционала плотности (DFT), великолепны по точности, однако их применение связано с колоссальными затратами вычислительных ресурсов, особенно при работе с крупными системами или сложными веществами. В то же время, машинное обучение позволяет радикально ускорить вычисления, и по точностным характеристикам такие модели почти сравнялись с классическими методами. Однако до сих пор остро стояла задача соблюдения физической корректности потенциальных моделей при их тренировке.
Исследования, осуществлённые международной командой с участием таких специалистов, как Иван Новиков из МФТИ, НИУ ВШЭ и Сколтеха, позволили создать совершенно новый алгоритм, учитывающий магнитные степени свободы при построении межатомных потенциалов. Этот подход максимально оптимизирует процессы моделирования сложных материалов, сокращая время на расчёты и обеспечивая непревзойдённую точность результатов.
Двухэтапная схема моделирования для учета магнитных свойств
Особенность работы с парамагнитными материалами – необходимость моделирования не только движения самих атомов, но и динамики их магнитных моментов. Иными словами, учёные впервые интегрировали магнитные параметры как самостоятельные переменные в построение потенциальных функций, эффективно расширив возможности машинного обучения в материаловедении.
Процесс моделирования разделён на два этапа. На первом оптимизируется величина магнитных моментов при фиксированных координатах атомов с целью довести энергию всей системы к минимуму. После этого, на втором этапе, значения магнитных моментов фиксируются, и проводится молекулярно-динамическое моделирование: меняются координаты атомов и параметры решётки с учетом магнитного взаимодействия.
Автоматическая оптимизация обучающей выборки: зачем это нужно
Учёные получили возможность автоматизировать формирование обучающей выборки благодаря уникальному механизму отбора структур прямо во время моделирования. Новый алгоритм "на лету" отслеживает потенциально значимые атомные и магнитные конфигурации, появляющиеся в ходе молекулярной динамики, и рекомендует их для DFT-расчётов. Эти результаты затем пополняют обучающую выборку, после чего межатомный потенциал совершенствуется на их основе.
Как отмечает Иван Новиков, главной инновацией является именно способность потенциала самостоятельно выбирать наиболее релевантные структуры для обучения. Благодаря этому, процесс генерации обучающих данных стал более автоматизированным, а отражение магнитных моментов в отборе обеспечило ещё больший прирост точности. Такой подход убирает человеческий фактор из стадии составления тренировочного датасета, минимизируя ошибки и пропуски важных конфигураций.
Проверка эффективности на материале CrN
Для проверки нового машинно-обучаемого потенциального алгоритма была выбрана кристаллическая система на основе хрома и азота (CrN). Этот соединение известно своей кубической структурой, напоминающей кристаллическую решётку поваренной соли, и хорошей изученностью экспериментальных свойств. Особенно важно, что CrN при высоких температурах находится в парамагнитном состоянии, что делает моделирование ещё более сложным и показательным.
Результаты вычислений продемонстрировали: автоматизированный алгоритм способен не только безошибочно предсказывать упругие параметры и тепловые характеристики CrN, но и формировать фононные спектры, идеально совпадающие с данными лабораторных опытов. Это стало убедительным подтверждением универсальности и высокой точности предложенного подхода. В дальнейшем ученые полны уверенности, что данная технология может быть легко масштабирована и применена к самым разнообразным материалам, где важен учет магнитных переменных.
Новые горизонты для материаловедения
Высокая воспроизводимость механических, динамических и тепловых свойств парамагнитного CrN открывает путь широкому внедрению подобных методов в исследования новых материалов. Разработка автоматизированных процедур подбора конфигураций и их дообучения — это огромный шаг навстречу созданию цифровых двойников материалов с прогнозируемыми характеристиками. В планах у ученых — дальнейшая работа над расширением потенциала, внедрение понимания неколлинеарного магнетизма и прогнозирование температур перехода в различные магнитные состояния методами Монте-Карло в динамике.
Такой комплексный подход к изучению материалов выходит далеко за рамки отдельных экспериментов, формируя фундамент для быстрого поиска и создания новых веществ с уникальными физическими свойствами. С каждым годом возможности машинного обучения становятся всё шире, а точность моделирования — всё выше, благодаря сочетанию глубоких физических знаний и новейших алгоритмических технологий.
Международная коллаборация и дальнейшие перспективы
Уникальное исследование стало возможным благодаря тесному взаимодействию между крупнейшими научными центрами России и Европы. В проекте принимали участие специалисты из МФТИ, Сколтеха, НИУ ВШЭ, Института химии твердого тела и механохимии СО РАН, Института биохимической физики имени Н. М. Эмануэля РАН, а также Института Материаловедения Кальяри (Италия) и Центра материалов Леобен (Австрия). Такой сплав компетенций и научных традиций позволил не только поднять на новый уровень моделирование магнитных веществ, но и заложить прочную основу для новых междисциплинарных открытий.
В дальнейшем планируется внедрять полученные алгоритмы при разработке новых полупроводников, наноматериалов и функциональных покрытий, а также усиливать комплексность моделей за счет учёта более сложных магнитных и структурных изменений на атомном уровне. Исследовательское сообщество уверено: синергия искусственного интеллекта и физики твёрдого тела радикально ускорит прогресс науки о материалах, открывая новые приложения и возможности для промышленности, энергетики и медицины.
Источник: naked-science.ru
