Новый метод, представленный в журнале npj Computational Materials, использует машинное обучение, чтобы ускорить перебор вариантов и сделать его более исчерпывающим. Исследование поддержано грантом РНФ.
Сплавы часто превосходят чистые металлы по свойствам, таким как прочность, ковкость и коррозионная стойкость. Изменение состава сплава позволяет управлять этими характеристиками, что важно для высокотехнологичных отраслей. Однако разработка новых сплавов требует длительного и дорогого процесса синтеза и тестирования в лабораторных условиях. Компьютерное моделирование также занимает много времени и ресурсов, ограничивая количество возможных комбинаций для анализа.
Эти подходы опираются на фундаментальное физическое описание процесса, прямые квантово-механические расчеты. Это очень точные, но сложные и долгие расчеты. Мы же используем машинно-обучаемые потенциалы, которые, напротив, отличаются высокой скоростью вычислений и позволяют перебрать все возможные комбинации до некоторой границы отсечения, например до 20 атомов в суперъячейке. А значит, мы не пропустим хороших кандидатов
— пояснила Виктория Зинькович, магистрант программы «Науки о данных» «Сколтеха» и выпускница МФТИ, первый автор научного исследования.
Новый подход был проверен на двух группах металлов: тугоплавких и меди с благородными металлами. Рассмотрены три комбинации атомов в каждой группе. Все элементы имеют одинаковую кристаллическую решетку, что облегчает расчеты. Алгоритм анализирует устойчивость сплавов через энергию и энтальпию образования веществ.
Авторы исследования обнаружили 268 новых сплавов, устойчивых при нулевой температуре, которых в базе не было. Теперь свойства новых сплавов можно уточнять и проверять более прицельным моделированием и экспериментами, чтобы установить, какие из этих материалов перспективны для практических применений.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться
#новостьдня