Команда Центра технологий материалов Сколтеха предложили новый подход к моделированию механических свойств гетерогенных материалов. Он сочетает машинное обучение с активным обучением на локальных химических конфигурациях. Это позволяет проводить расчеты крупных систем, содержащих десятки тысяч атомов, с точностью, сопоставимой с прямыми квантово-механическими расчетами (DFT), но при этом без привлечения крупных вычислительных мощностей, сообщает пресс-служба вуза.
Метод основан на использовании момент-тензорных потенциалов (MTP), которые обучаются на данных, полученных из расчетов методом функционала электронной плотности. В процессе моделирования система автоматически идентифицирует локальные атомные окружения, для которых предсказания энергии потенциалом становятся ненадежными, извлекает их из крупной расчетной ячейки и направляет на дополнительный расчет методами DFT. Эти фрагменты затем добавляются в обучающую выборку, и потенциал переобучается, что последовательно расширяет область его применимости.
Подход позволяет моделировать крупные поликристаллические и композитные системы, которые недоступны для прямых DFT-расчетов. При этом сохраняется точность квантово-механического описания. Метод применим для широкого класса гетерогенных материалов — от керамик и металлокерамики до наноструктурированных композитов.
Авторы применили метод к твердым сплавам на основе карбида вольфрама, известного как победит. Он широко используется в промышленности благодаря высокой твердости и износостойкости.
Создание новых материалов с заданными свойствами требует детального понимания связи между структурой и механическими характеристиками. Однако прямое моделирование гетерогенных систем методами DFT невозможно из-за ограничений по числу атомов: эти расчеты применимы лишь к системам из нескольких сотен атомов, тогда как реальные поликристаллические материалы содержат десятки тысяч атомов. Предложенный нами подход позволяет решить эту проблему: мы автоматически собираем информацию о локальных атомных конфигурациях, которые встречаются в материале, и используем ее для обучения потенциала, сохраняя точность DFT при масштабах, достаточных для моделирования промышленных композитов.
По словам авторов работы, технология может применяться для самых разных композитных и поликристаллических материалов.
Ранее мы рассказывали, как российский алгоритм повысит надежность процессоров в дата-центрах.