Множество ученых по всему миру объединились, чтобы составить и опубликовать всеобъемлющую дорожную карту разработки межатомных потенциалов машинного обучения в области материаловедения и инженерии. Они подробно описали, как машинное обучение должно привести к революции в нашем понимании в проектировании и открытии новых материалов, позволяя проводить компьютерное моделирование атомов. Работа опубликована в журнале Modelling and Simulation in Materials Science and Engineering.
Исследования российского коллектива ученых, который участвовал в составлении этой дорожной карты, выполнены при поддержке Российского научного фонда (грант № 23-13-00332).
В течение десятилетий ученые полагались на численное моделирование, описывающее взаимодействия между отдельными атомами, чтобы с помощью этого научиться предсказывать свойства материалов и разрабатывать новые материалы с требуемыми характеристиками.
Межатомные потенциалы представляют собой математические функции, которые описывают, как атомы взаимодействуют друг с другом внутри молекулы или твердого тела. Они выражают потенциальную энергию системы как функцию положения атомов.
Точность и эффективность атомистического моделирования во многом зависят от качества используемых межатомных потенциалов. Традиционные потенциалы часто изо всех сил пытаются сбалансировать вычислительную эффективность с точностью, необходимой для достоверного представления сложных атомных взаимодействий.
Традиционные физические потенциалы, основанные на упрощенных математических моделях (таких как потенциалы Леннарда-Джонса или метод погруженного атома), сталкиваются с множеством ограничений. Они часто хорошо работают для конкретных материалов, но не позволяют точно предсказать поведение новых материалов, а также могут перестать работать при изменении внешних условий.
Разработка таких потенциалов велась методом подгонки параметров. Сначала выбираются целевые свойства (как правило, энергии взаимодействия и силы на атомы, иногда еще — параметры решетки, модуль упругости), которые должны описывать новый потенциал. Затем подходящая форма потенциала выбирается на основе того, как устроен сам материал на микроуровне. Параметры оптимизируются таким образом, чтобы минимизировать отклонения в предсказаниях от целевых значений. Затем потенциал проверяется на соответствие дополнительным свойствам и уточняется посредством итеративных корректировок. Окончательное тестирование в различных конфигурациях подтверждает его надежность, давая практическое приближение атомных взаимодействий.
В последние годы в области материаловедения наблюдается всплеск развития межатомных потенциалов на основе машинного обучения. Эти потенциалы используют огромные наборы данных и передовые алгоритмы для изучения сложных атомных взаимодействий непосредственно из результатов экспериментов. Для создания баз данных атомных структур используют моделирование на основе метода функционала плотности, а затем машинное обучение применяется к этим полученным данным.
В машинном обучении для межатомных потенциалов применяют несколько различных методов: искусственные нейронные сети, модели гауссовских процессов, глубокое обучение нейронных сетей и использование физических принципов. По сравнению с традиционными потенциалами, потенциалы машинного обучения дают более высокую точность предсказаний, большую универсальность (применимость для различных материалов и условий), при этом имеют сравнимую скорость расчетов свойств.
Международная группа исследователей, осознавая перспективы нового подхода, приступила к созданию всеобъемлющего руководства по разработке и применению этих мощных инструментов. Их недавняя научная работа, построенная как дорожная карта, исследует различные аспекты, связанные с разработкой потенциалов машинного обучения, выявляет существующие пробелы и предлагает будущие направления для повышения их производительности и применимости.
Дорожная карта состоит из нескольких частей. Это базы данных, межатомные потенциалы на основе искусственных нейронных сетей и других методов машинного обучения, решение вычислительных проблем, графические потенциалы глубокого обучения на основе теории графов, моментные тензорные потенциалы, универсальные нейронные ме��атомные потенциалы, физически обоснованные потенциалы, потенциалы для сплавов со сложным составом, предварительно обученные потенциалы, учет сложности высокоэнтропийных материалов.
Группа российских ученых из МФТИ и Сколтеха в этой дорожной карте сделала обзор использования Потенциалов моментов инерции, которые разработали они сами. Исследователям удалось с высокой точностью решить такие задачи, как расчет теплопроводности сложных частично заполненных скуттерудитов, теплопроводности двумерных материалов и гетероструктур на основе них, осуществить прямое молекулярное моделирование диффузии точечных дефектов, найти кристаллические структуры бора с количеством атомов в одной ячейке до сотни штук, построить кривые плавления. Ученым удалось показать, что их потенциалы не уступают существующим мировым аналогам по точности, а по производительности их превосходят.
Дмитрий Корогод, студент МФТИ, участвующий в исследовании, отметил: «Машинно-обучаемые межатомные потенциалы на базе потенциалов моментов инерции дали возможность построить автоматизированный и точный подход к ускорению квантово-механических расчетов. Для оптимизации их производительности следует разрабатывать эффективную реализацию для GPU, добавить рассмотрение дальнодействующих взаимодействий и усовершенствовать методологии создания баз данных для моделирования. Кроме того, интеграция экспериментальных данных обещает дальнейшее повышение точности и применимости машинно-обученных межатомных потенциалов».
Ключевым дост��инством разработки российских ученых является возможность адаптации потенциала на так называемых «локальных окружениях». В процессе симуляции масштабных систем, насчитывающих сотни тысяч атомов, моментно-тензорный потенциал способен выявлять атомы, расчет параметров которых вносит погрешность или выполняется некорректно.
Далее происходит следующее: «окружение» проблемного атома выделяется, и его энергия вычисляется с использованием методов квантовой химии. Эти данные затем включаются обратно в обучающий набор, что позволяет потенциалу «дообучиться» и повысить свою точность. После такой «точечной» настройки расчет свойств системы продолжается, пока не возникнет необходимость в аналогичной корректировке.
Важно отметить, что другие известные машинно-обучаемые потенциалы не обладают возможностью обучения на отдельных фрагментах сложных систем. Это существенное ограничение сказывается на их точности и сужает область применимости. Российский метод, напротив, позволяет проводить калибровку «на лету», значительно повышая надежность и предиктивную силу симуляций.
.Межатомные потенциалы машинного обучения могут ускорить открытие новых материалов с желаемыми свойствами для конкретных применений, моделировать и оптимизировать такие производственные процессы, как сварка и термообработка, помочь предсказать срок службы и производительность материалов.
