Международная группа ученых разработала всеобъемлющую дорожную карту для разработки межатомных потенциалов машинного обучения (МО) в материаловедении и инженерии. Эта работа, опубликованная в журнале Modelling and Simulation in Materials Science and Engineering, направлена на революцию в проектировании и открытии новых материалов с помощью компьютерного моделирования атомов. Российские ученые из МФТИ и Сколтеха, участвовавшие в проекте, получили поддержку Российского научного фонда.
Традиционно ученые использовали численное моделирование для описания взаимодействий между атомами, чтобы предсказывать свойства материалов. Межатомные потенциалы — математические функции, описывающие эти взаимодействия, — играют ключевую роль в атомистическом моделировании. Однако традиционные методы, такие как потенциалы Леннарда-Джонса, часто ограничены в точности и универсальности, особенно для новых материалов или сложных условий.
В последние годы потенциалы на основе машинного обучения стали мощной альтернативой. Они используют большие наборы данных и передовые алгоритмы для изучения атомных взаимодействий, что позволяет достичь высокой точности и универсальности. Методы МО, включая искусственные нейронные сети, гауссовские процессы и глубокое обучение, превосходят традиционные подходы по точности и скорости расчетов.
Дорожная карта, разработанная международной группой, охватывает ключевые аспекты создания и применения потенциалов МО. Она включает базы данных, методы обучения, вычислительные проблемы, а также специализированные подходы, такие как моментные тензорные потенциалы и универсальные нейронные межатомные потенциалы. Российские ученые внесли вклад, представив обзор потенциалов моментов инерции, которые они разработали. Эти потенциалы успешно применялись для расчета теплопроводности, моделирования диффузии и поиска кристаллических структур, демонстрируя высокую точность и производительность.
Одним из ключевых преимуществ российского подхода является возможность адаптации потенциала на «локальных окружениях». Это позволяет корректировать расчеты для отдельных атомов в сложных системах, повышая точность моделирования. Такая гибкость отсутствует в других методах, что делает российскую разработку уникальной.
Потенциалы МО открывают новые возможности для открытия материалов с заданными свойствами, оптимизации производственных процессов и прогнозирования характеристик материалов. Их дальнейшее развитие, включая интеграцию экспериментальных данных и улучшение вычислительных методов, обещает ускорить прогресс в материаловедении и инженерии.
Создание базы данных для тройного сплава: база данных включает идеальные кристаллические структуры, деформированные структуры и дефектные структуры (точечные и протяженные дефекты) в различных составах сплава / © Modelling and Simulation in Materials Science and Engineering.
Дополнительная информация: Roadmap for the development of machine learning-based interatomic potentials – IOPscience
Источник: Искусственный интеллект научили предсказывать поведение атомов