Ученые Центра технологий материалов «Сколтеха» (входит в группу ВЭБ.РФ) разработали новый подход к моделированию механических свойств гетерогенных материалов, который сочетает машинное обучение с активным обучением на локальных химических конфигурациях. Результаты исследования опубликованы в журнале Computational Materials Science. Метод позволяет проводить расчеты крупных систем, содержащих десятки тысяч атомов, с точностью, сопоставимой с прямыми квантово-механическими расчетами (DFT), но без привлечения крупных вычислительных мощностей.
Проблема, которую решают авторы, связана с ограничениями метода функционала электронной плотности (DFT). Прямые DFT-расчеты применимы лишь к системам из нескольких сотен атомов, тогда как реальные поликристаллические материалы, такие как твердые сплавы, содержат десятки тысяч атомов. Это делает невозможным прямое моделирование их механических свойств с квантовой точностью. Разработанная методология основана на использовании момент-тензорных потенциалов (MTP), которые обучаются на данных, полученных из DFT-расчетов. В процессе моделирования система автоматически идентифицирует локальные атомные окружения, для которых предсказания энергии потенциалом становятся ненадежными (экстраполяционными), извлекает их из крупной расчетной ячейки и направляет на дополнительный расчет методами DFT. Эти фрагменты затем добавляются в обучающую выборку, и потенциал переобучается, что последовательно расширяет область его применимости.
Авторы применили подход к композитам WC-Co — твердым сплавам на основе карбида вольфрама, известного как победит. Эти материалы широко используются в промышленности благодаря высокой твердости и износостойкости. Как отметил руководитель исследования, профессор Центра технологий материалов «Сколтеха» Александр Квашнин, «создание новых материалов с заданными свойствами требует детального понимания связи между структурой и механическими характеристиками. Однако прямое моделирование гетерогенных систем методами DFT невозможно из-за ограничений по числу атомов». Предложенный подход позволяет автоматически собирать информацию о локальных атомных конфигурациях и использовать ее для обучения потенциала, сохраняя точность DFT при масштабах, достаточных для моделирования промышленных композитов.
Подход позволяет моделировать системы из десятков тысяч атомов с точностью DFT, недоступной для прямых расчетов.
Первый автор работы, аспирант программы «Науки о материалах» «Сколтеха» Фаридун Джалолов, подчеркнул, что на примере WC-Co метод позволил количественно описать переход от хрупкого к пластичному поведению при увеличении содержания связки из кобальта. Такие данные важны для проектирования материалов с оптимальным балансом твердости и вязкости разрушения. Метод универсален и может быть применен для широкого класса гетерогенных материалов — от керамик и металлокерамики до наноструктурированных композитов.
Разработка «Сколтеха» вписывается в глобальный тренд использования машинного обучения в материаловедении. Подобные подходы, основанные на активном обучении, уже применяются для ускорения открытия новых материалов, однако сочетание с локальными химическими конфигурациями и ориентация на промышленные композиты делает этот метод особенно практичным. Он дает инженерам и материаловедам инструмент для предсказательного расчета свойств материалов без дорогостоящих экспериментов, что может существенно сократить время и затраты на разработку новых сплавов и керамик.
