Разработан новый способ предсказания свойств магнитных сплавов с помощью машинного обучения |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2024-04-08 13:41 Ученые из Сколтеха и МФТИ с коллегами из Германии, Австрии и Норвегии предложили и верифицировали новый способ для компьютерного моделирования магнитных сплавов с помощью машинно-обучаемых потенциалов. В методе в качестве переменных учитываются магнитные моменты атомов (магнитные степени свободы), благодаря чему он успешно предсказал энергию, механические и магнитные характеристики сплава железа и алюминия. Ученые планируют добавить в метод активное обучение и протестировать его на другом материале — нитриде хрома. Работа опубликована в Scientific Reports. При компьютерном моделировании материалов нередко приходится искать баланс между скоростью и точностью расчетов. Наименьшие ошибки в предсказаниях свойств и структуры веществ дают квантово-механические методы, в которых рассчитывается электронная структура вещества. Наиболее популярный из них — теория функционала плотности (DFT), в котором вместо волновой функции для каждого электрона используется обобщенная электронная плотность, что уменьшает количество переменных, упрощает описание и ускоряет вычисления. Однако даже на суперкомпьютерах такими подходами можно моделировать системы размерами всего лишь в десятки и сотни атомов. Для расчетов более крупных систем применяют более упрощенные подходы через потенциалы взаимодействия, которые описывают силы между атомами и не учитывают электронную структуру. Из-за этого падает точность предсказаний свойств материала. В последние годы было найдено промежуточное решение, когда можно сохранить «квантово-механическую точность» и на несколько порядков уменьшить скорость вычислений даже для систем из тысяч атомов. Одним из популярных методов стало машинное обучение, с помощью которого исследователи создают потенциалы взаимодействия, но обученные на результатах квантово-механических расчетов. Эти потенциалы лучше предсказывают параметры материалов, чем эмпирические аналоги. Однако даже машинно-обученные потенциалы не всегда учитывают магнитные степени свободы атомов, что может приводить к ошибкам, например при моделировании материалов с выраженным ферро-, антиферро- или парамагнетизмом. Чтобы корректно предсказывать свойства подобных веществ, научная группа физиков и математиков из МФТИ и Сколтеха обобщила свой метод построения машинно-обучаемых потенциалов MTP (Moment Tensor Potentials) до версии mMTP (magnetic MTP), в которой учтены магнитные степени свободы атомов. Ученые уже применяли новую версию в том числе для предсказания энергии железа в парамагнитном и ферромагнитном состоянии. В новой работе ученые протестировали метод для двухкомпонентного сплава железо-алюминий. Иван Новиков, старший научный сотрудник Сколковского института науки и технологий, доцент кафедры химической физики функциональных материалов МФТИ, комментирует: «Наш коллектив занимается разработкой машинно-обучаемых потенциалов, которые ускоряют приблизительно на пять порядков квантово-механические расчеты, нужные для описания свойств материалов. В последние три года пошла разработка машинно-обучаемых потенциалов с магнитными степенями свободы, и мы тоже уже создали подобный потенциал — магнитный MTP и валидировали его для системы железа. В этой работе мы хотели провалидировать потенциал уже на двухкомпонентной системе и продемонстрировать алгоритм построения базы данных для обучения потенциала». Исследователи собрали базу данных на основе результатов квантово-механических расчетов и по ней обучили пять mMTP-потенциалов. А затем проверили, как потенциалы предсказывает структуру и магнитные свойства сплава в зависимости от концентрации алюминия. На первом и самом долгом этапе работы ученые собирали базу данных для обучения модели. Для квантово-механических расчетов выбрали системы из 16 атомов. Системы отличались по количеству и взаимному расположению («раскраске») атомов железа и алюминия. Полученные конфигурации приводили в состояние равновесия — релаксировали с помощью теории функционала плотности, то есть подбирались положения атомов, размеры кристаллической решетки и магнитные моменты, при которых конкретная структура имела минимальную энергию. На следующем шаге конфигурации возмущали: меняли размеры решетки и сдвигали атомы. На финальном третьем этапе возмущали уже магнитные моменты для структур как с первого шага, так и со второго, для этого использовали теорию функционала плотности, в которой есть ограничения типа равенств на магнитные моменты электронов — constrained DFT. После всех трех шагов была получена база из более 2 000 конфигураций с возмущениями и без. Второй этап работы — обучение и верификация потенциалов mMTP — был самым сложным. На полученной выборке конфигураций исследователи обучали ансамбль из пяти потенциалов MTP. Затем исследователи сравнивали его предсказания равновесных параметров конфигураций (позиций атомов, магнитных моментов, размеров решетки) с квантово-механическими расчетами. Новый метод показал высокую точность и согласие с квантово-механическим моделированием для всех концентраций алюминия. Результаты MTP также качественно совпали с экспериментом, когда ученые рассмотрели зависимость размеров решетки от содержания алюминия в сплаве. В пределах концентрации от 20% до 40% алюминия параметры решетки не менялись. Количественная разница связана в том числе с тем, что моделирование, в отличие от опытов, проводилось при абсолютном нуле температур. В последней части работы ученые сравнили магнитные моменты сплавов, полученные квантово-механическим методом и с помощью mMTP. Результаты согласовались друг с другом и теорией: если концентрации алюминия росла, сплав терял магнитные свойства. mMTP предсказал полную потерю ферромагнетизма при 50% содержании алюминия, в отличие от квантово-механических расчетов. Данное расхождение нуждается в дополнительном исследовании. Далее ученые планируют добавить активное обучение в свой метод, чтобы отбор конфигураций системы, подходящих для обучения потенциала, происходил автоматически. Это позволит исследовать материалы при ненулевых температурах, а также парамагнитные системы. Иван Новиков делится планами: «Я считаю, что, соединив наши знания и результаты статьи 2022 года про железо и эту статью про железо-алюминий, мы добавим и применим активное обучение и верифицируем mMTP для другого материала — нитрида хрома. В частности, сможем предсказать изменение удельной теплоемкости, рассмотреть парамагнитные состояния. Я сторонник подхода, что надо сначала провалидировать подробно методологию, которую разработали, а потом переходить в более практическую плоскость. Собственно говоря, наша научная работа по такому пути и развивалась: сначала валидировали MTP на прототипных системах, а сейчас мы уже подошли к предсказанию фазовых диаграмм сложных веществ». Работа выполнена при поддержке гранта РНФ 22-73-10206 «Разработка машинно-обучаемых потенциалов межатомного взаимодействия с магнитными степенями свободы». Источник: indicator.ru Комментарии: |
|