Учёные из Сколтеха представили метод для изучения свойств поликристаллов, композитных материалов и многофазных систем с помощью машинного обучения. Точность результатов расчётов с применением нового метода сопоставима с точностью квантово-механических методов, которые можно использовать только для материалов, состоящих не более чем из нескольких сотен атомов. Ещё одно преимущество нового метода — в возможности обучения потенциала на так называемых локальных окружениях атомов. Работа опубликована в журнале Advanced Theory and Simulations.
«Многие синтезируемые материалы в промышленности получаются не моно-, а поликристаллическими, а иногда и многофазными. Они заключают в себе и монокристаллы, и аморфные части между монокристаллическими кристаллитами. С помощью современных квантово-химических методов свойства этих систем рассчитывать невозможно, так как они состоят из огромного числа атомов. Теория функционала плотности ограничивается материалами с несколькими сотнями атомов. Для решения проблемы мы используем машинно-обучаемые межатомные потенциалы на базе потенциалов MTP (Moment Tensor Potentials). Они разрабатываются в Сколтехе под руководством профессора Александра Шапеева», — рассказал первый автор работы, аспирант программы «Науки о материалах» в Сколтехе Фаридун Джалолов.
Преимущество метода по сравнению с другими разрабатываемыми решениями в мире учёные видят в возможности активно обучать потенциал на так называемых локальных окружениях. В процессе расчёта большой структуры из многих сотен тысяч атомов MTP-потенциал распознаёт, какой именно атом вносит ошибку в расчёт или рассчитывается неверно. Такое может происходить из-за того, что обучающий набор данных конечный и все из возможных конфигураций учесть нельзя. Локальное окружение этого атома «вырезается», и его энергия рассчитывается с помощью квантовой химии, после чего эти данные снова добавляются в обучающий набор и потенциал дообучивается. После такого обучения на лету расчёт свойств продолжается, пока не встретится новая конфигурация, которую надо будет добавить в обучение. Другие известные машинно-обучаемые потенциалы не могут проводить обучение на маленьких локальных частях большой структуры, что ограничивает их применимость и сказывается на точности.
«Для примера мы изучили механические свойства поликристаллов алмаза. Они очень твёрдые и часто используются в промышленности — например, при производстве оборудования для бурения нефтяных скважин. Как видно из результатов, механические свойства поликристаллического алмаза зависят от размера зёрен: чем больше зерно, тем он ближе по свойствам к монокристаллическому алмазу», — продолжил Фаридун Джалолов.
Учёные отметили, что разработанный подход позволит изучать механические свойства материалов, которые обычно синтезируются и используются в экспериментах, то есть не монокристаллические материалы, а также проводить всесторонние исследования механических свойств поликристаллов и композитных материалов с получением данных, близких к экспериментальным.
«Зачастую в реальных приложениях используются материалы, которые не являются идеальными кристаллами, потому что свойства идеальных кристаллов могут не соответствовать требованиям, предъявляемым к тому или иному оборудованию, составной частью которого материал является. Хорошим примером является победит — карбид вольфрама в связке с кобальтом. Добавление кобальта к твердому карбиду вольфрама делает материал более трещиностойким, что и делает его таким ценными для приложений. Данный подход позволит изучать причины и способы изменения механических свойств таких и многофазных систем на атомарном уровне», — рассказал руководитель исследования, профессор Центра по энергетическому переходу в Сколтехе Александр Квашнин.