Дата публикации: г.
В последние годы машинное обучение (МЛ) превратилось в один из самых мощных инструментов в материаловедении.
С помощью нейронных сетей, градиентных бустингов и специализированных потенциалов учёные способны предсказывать механические, электро‑оптические, термические и магнитные свойства новых сплавов без проведения длительных экспериментов.
Особый интерес вызывают магнитные сплавы (ферромагнетики, антиферромагнетики, парамагнетики), где традиционные потенциальные модели часто игнорируют магнитные степени свободы атомов, что приводит к значительным ошибкам.
Краткий обзор традиционных методов предсказания свойств
- Эмпирические корреляции. Используются простые формулы, построенные на экспериментальных данных (например, правило Хартвина‑Хакки).
- Первопринципные расчёты (DFT). Плотностно‑функциональная теория обеспечивает высокую точность, но чрезвычайно дорогая по времени и ресурсам.
- Классические межатомные потенциалы. EAM, MEAM, Tersoff и др. Хороши для больших систем, однако часто не учитывают электронную структуру и магнитные взаимодействия.
Машинно‑обучаемые потенциалы (ML‑Потенциалы)
ML‑потенциалы представляют собой гибрид традиционных физических моделей и современных методов искусственного интеллекта. Среди них наиболее популярны:
- Neural Network Potentials (NNP) – нейронные сети, обученные на DFT‑данных.
- Gaussian Approximation Potentials (GAP) – используют гауссовские процессоры.
- Moment Tensor Potentials (MTP) – построены на тензорах моментов, обеспечивая быстрый и точный расчёт энергии и сил.
Проблема учёта магнитных степеней свободы
Традиционные MTP и аналогичные потенциалы описывают атомные позиции, но не включают в модель спиновые (магнитные) переменные. При моделировании материалов с сильным магнитным порядком это приводит к:
- Неправильному предсказанию фазовых переходов;
- Смещениям в расчётах энергии ферромагнитных и антиферромагнитных состояний;
- Недостоверным оценкам тепловых и механических свойств при низких температурах.
mMTP – магнитный Moment Tensor Potential
В 2024 году команда физиков и математиков из МФТИ и Сколтеха представила расширенную версию MTP – magnetic MTP (mMTP). Ключевые особенности метода:
- Включение спиновых переменных. Каждый атом получает дополнительный параметр — моментик спина, который участвует в построении тензоров моментов.
- Обучение на комбинированных DFT‑данных. Для каждой конфигурации рассчитываются как энергетические, так и магнитные свойства (магнитные моменты, обменные константы).
- Гибкая архитектура. Позволяет легко переключаться между ферромагнитными, антиферромагнитными и парамагнитными режимами без переобучения модели.
- Скорость расчётов. По сравнению с чисто DFT‑моделями mMTP сохраняет преимущество MTP в скорости (10³–10⁴ раз быстрее).
Пример применения mMTP
Исследователи протестировали mMTP на сплавах Fe‑Ni и Co‑Pt, где наблюдаются как ферромагнитные, так и антиферромагнитные фазовые переходы. Результаты показали:
- Среднюю ошибку предсказания энергии ≈ 5 мэВ/атом (в сравнении с DFT ≈ 2 мэВ/атом).
- Точность воспроизведения магнитных моментов ± 0.1 μB.
- Успешное моделирование температурных зависимостей магнитного порядка до 1200 K.
Как построить собственный mMTP: пошаговый план
- Сбор обучающего набора. Выполнить DFT‑расчёты для выбранных конфигураций (структурные, магнитные, температурные). Необходимо получить:
- Энергию системы;
- Силы на атомах;
- Магнитные моменты каждого атома;
- Обменные параметры (если доступны).
- Подготовка данных. Преобразовать результаты в формат, совместимый с MTP‑пакетом (обычно
.cfgили.json). - Выбор гиперпараметров. Определить порядок тензоров моментов (обычно 2–3), количество базисных функций и коэффициент регуляризации.
- Обучение модели. Запустить
mlp_train(или аналогичный скрипт) с включённым флагом--magnetic. Следить за метриками:- RMSE энергии;
- RMSE сил;
- RMSE магнитных моментов.
- Валидация. Протестировать модель на независимом наборе конфигураций, сравнив предсказанные свойства с DFT‑результатами.
- Применение. Использовать обученный mMTP в молекулярно‑динамических (MD) или монте‑карло (MC) симуляциях для изучения фазовых переходов, механических свойств, тепловой проводимости и т.д.
Преимущества и ограничения mMTP
| Преимущества | Ограничения |
|---|---|
|
|
Перспективы развития предсказания свойств материалов
В ближайшие годы ожидается появление новых гибридных подходов, объединяющих графовые нейронные сети (GNN), обучение с подкреплением и многоуровневые модели (например, сочетание mMTP с GAP). Возможные направления развития:
- Интеграция экспериментальных данных. Использование данных из in‑situ экспериментов (нейронные сети, обученные на спектроскопических сигналах) для улучшения предсказаний.
- Универсальные модели для многокомпонентных систем. Расширение mMTP на сложные многокомпонентные сплавы и высокотемпературные сверхжесткие материалы.
- Автоматический генератор обучающих наборов. Применение активного обучения (active learning) для выбора наиболее информативных конфигураций DFT‑расчётов.
- Экзогенные свойства. Прогнозирование не только внутренних характеристик, но и внешних, таких как коррозионная стойкость, износостойкость и биосовместимость.
Метод mMTP открыл новую страницу в предсказании свойств магнитных сплавов, позволив учитывать спиновые степени свободы без ущерба для вычислительной эффективности.
Сочетание этого подхода с современными техниками машинного обучения (GNN, трансформеры) обещает ускорить процесс разработки новых материалов, сократить затраты на эксперименты и расширить границы наших знаний о сложных магнитных системах.
Источник информации: публикации МФТИ и Сколтеха (2024‑2026 гг.), материалы журнала За науку, а также открытые ресурсы Total Materia и CyberLeninka.