В последние годы машинное обучение (МL) стало одним из ключевых инструментов в материаловедении, позволяя быстро оценивать физические, химические и механические свойства новых веществ. Наиболее ярким примером является развитие методов Moment Tensor Potentials (MTP) и их магнитной версии magnetic MTP (mMTP), которые позволяют учитывать магнитные степени свободы атомов при моделировании ферромагнитных, антиферромагнитных и парамагнитных сплавов.
Что такое предсказание свойств материалов?
Предсказание свойств — это процесс определения физических, химических и механических характеристик материала (например, энергии спрессованной структуры, коэффициента упругости, критической температуры, магнитной восприимчивости) без проведения дорогостоящих экспериментальных измерений или сложных квантово‑химических расчётов.
Традиционные подходы
Классические методы включают:
- Экспериментальные измерения (X‑ray diffraction, спектроскопия, микроскопия);
- Квантово‑химические расчёты, такие как Density Functional Theory (DFT), которые дают точные результаты, но требуют больших вычислительных ресурсов;
- Механические модели (моделирование с помощью силовых полей).
Однако эти подходы зачастую медленные и ресурсоёмкие, особенно при исследовании огромных пространств химического состава и структуры.
Машинное обучение в материаловедении
Машинное обучение позволяет «обучить» модель распознавать закономерности между описательными признаками (фичами) и целевыми свойствами. Ключевые этапы:
- Сбор и подготовка данных;
- Выбор и обучение модели (регрессия, классификация, нейронные сети);
- Тестирование и валидирование;
- Интерпретация результатов.
Часто применяются такие алгоритмы, как Random Forest (RF), Gradient Boosting Machines (GBM), Support Vector Machines (SVM) и, в последние годы, глубокие нейронные сети (CNN, GNN).
Moment Tensor Potentials (MTP)
MTP представляют собой параметризованную модель потенциала, основанную на моментных тензорах, которые учитывают многомерные взаимодействия между атомами. Ключевые особенности:
- Высокая точность при учёте межатомных взаимодействий;
- Гибкость в описании различных фаз и структур;
- Эффективность при расчётах в больших системах.
Однако стандартный MTP не учитывает магнитные степени свободы атомов, что приводит к ошибкам при моделировании материалов с выраженным ферромагнитным, антиферромагнитным или парамагнитным поведением.
Magnetic MTP (mMTP)
В 2024 году группа исследователей из МФТИ и Сколтеха обобщила MTP до версии mMTP, добавив в неё магнитные степени свободы. Это открывает новые возможности для точного предсказания свойств магнитных сплавов.
5.1 Обобщение MTP
mMTP расширяет функционал MTP, вводя переменные, описывающие локальный магнитный момент каждого атома. Это позволяет модели учитывать:
- Взаимодействие магнитных моментов (exchange coupling);
- Магнитную анизотропию;
- Влияние магнитного поля на структуру и энергию.
5.2 Учёт магнитных степеней свободы
В mMTP магнитные степени свободы включаються как дополнительные признаки в формирование тензоров. Это позволяет более точно моделировать:
- Ферромагнитные сплавы (например, Fe-Cu, Fe-Co);
- Антиферромагнитные соединения (например, MnF₂);
- Парамагнитные материалы (например, TiO₂ с введёнными магнитными ионами).
5.3 Примеры исследований - «Новый способ предсказания свойств магнитных сплавов с помощью машинного обучения» (МФТИ, Сколтех, 30 января 2024). Здесь авторы демонстрируют, как mMTP повышает точность расчётов энергии спиновых волн.
- «Предсказание свойств магнитных сплавов: от MTP к mMTP» (Сколтех, 16 февраля 2024). В статье рассматриваются конкретные примеры применения mMTP к системам с сильной магнитной анизотропией.
Применения предсказания свойств 6.1 Магнитные сплавы
6.1 Магнитные сплавы
mMTP позволяет быстро оценивать:
- Критическую температуру (Curie point);
- Магнитную восприимчивость;
- Магнитную энергию сцепления.
6.2 Композиты и материалы с заданными механическими свойствами
Нейросетевые модели, обученные на больших базах данных (например, Materials Project), позволяют предсказывать модуль Юнга, предел текучести и прочие механические параметры.
6.3 Микроэлектроника и высокоэнергетические системы
С помощью ML можно ускорить разработку компонентов, устойчивых к высоким нагрузкам, а также оптимизировать материалы для микроэлектронных устройств.
6.4 Прогнозирование ресурса деталей и узлов
Алгоритмы машинного обучения, описанные в работе «Ученые Сколтеха представили новый метод изучения и предсказания свойств материалов», позволяют прогнозировать срок службы деталей в машиностроении.
Инструменты и фреймворки - OpenMTP – открытая реализация MTP и mMTP;
- ASE (Atomic Simulation Environment) – библиотека для подготовки данных и интеграции с ML;
- TensorFlow & PyTorch – платформы для глубокого обучения, часто используемые в GNN‑моделях;
- scikit‑learn – классический набор алгоритмов ML, включая RF и GBM.
Перспективы и вызовы - Необходимость крупных и чистых наборов данных, особенно для редких магнитных соединений;
- Интеграция мультифизических эффектов (электронно‑магнитные взаимодействия, термодинамика);
- Разработка интерпретируемых моделей, позволяющих понять физические механизмы;
- Автоматизация цикла «данные–модель–эксперимент» для ускоренного дизайна материалов.
- Необходимость крупных и чистых наборов данных, особенно для редких магнитных соединений;
- Интеграция мультифизических эффектов (электронно‑магнитные взаимодействия, термодинамика);
- Разработка интерпретируемых моделей, позволяющих понять физические механизмы;
- Автоматизация цикла «данные–модель–эксперимент» для ускоренного дизайна материалов.
Машинное обучение, особенно в форме MTP и его магнитной версии mMTP, открывает новые горизонты в быстром и точном предсказании свойств материалов. Это позволяет значительно сократить время и затраты на разработку новых композитов, магнитных сплавов и компонентов для микроэлектроники. С учётом постоянно растущих баз данных и совершенствующихся алгоритмов, ML будет играть всё более важную роль в фундаментальных и прикладных исследованиях материалов.