Ученые из Сколтеха и МФТИ при помощи машинного обучения заметно ускорили поиск кандидатов металлических сплавов, из которых экспериментаторы отбирают материалы для ракетостроения и других высокотехнологичных отраслей. Сейчас устойчивые сплавы ищут методами, которые сопряжены с риском упустить перспективный материал либо требуют запредельно долгих вычислений. Новый же метод, представленный в журнале npj Computational Materials, использует машинное обучение, чтобы ускорить перебор вариантов и сделать его более исчерпывающим. Исследование поддержано грантом РНФ.
Чистые металлы обычно уступают по своим свойствам сплавам из нескольких металлов и других элементов вроде углерода или кремния. Меняя состав и соотношение элементов в сплаве, можно регулировать его характеристики: прочность, ковкость, температуру плавления, устойчивость к коррозии, электрическое сопротивление и многие другие. Так, материаловеды ищут сплавы с более совершенными свойствами для авиации, космических технологий, машиностроения и других областей: электротехники, строительства, медицинских инструментов и проч.
Однако новый сплав попадает в инструментарий инженера-проектировщика лишь тогда, когда его свойства измерены в ходе эксперимента. Проблема в том, что экспериментальный синтез и проверка материалов-кандидатов в лаборатории — это долгий и дорогостоящий процесс. Более того, даже моделирование сплавов на компьютере требует огромных затрат времени и ресурсов и потому не позволяет перебрать много вариантов.
«Потенциальных кандидатов очень много, потому что много переменных: какие химические элементы в составе сплава, в каких соотношениях, какая кристаллическая решетка и так далее, — рассказал один из авторов статьи Александр Шапеев, заведующий лабораторией методов искусственного интеллекта для разработки материалов Центра ИИ Сколтеха. — Скажем, в простейшей системе двух элементов — ниобия и вольфрама, если рассмотреть набор из 20 атомов в ячейке кристаллической решетки, вам уже придется моделировать более миллиона различных комбинаций, 2 в 20 степени, без учета симметрии».
Используемые для моделирования и отбора перспективных сплавов эволюционные алгоритмы, графовые нейросети, метод роя частиц и другие подходы хорошо работают при точечном поиске кандидатов без перебора всех возможных комбинаций. Но в этом случае появляется риск упустить материал с выдающимися характеристиками.
«Эти подходы опираются на фундаментальное физическое описание процесса, прямые квантово-механические расчеты, — пояснила Виктория Зинькович, магистрант программы «Науки о данных» Сколтеха и выпускница МФТИ, первый автор научного исследования. — Это очень точные, но сложные и долгие расчеты. Мы же используем машинно-обучаемые потенциалы, которые, напротив, отличаются высокой скоростью вычислений и позволяют перебрать все возможные комбинации до некоторой границы отсечения, например, до 20 атомов в суперъячейке. А значит, мы не пропустим хороших кандидатов».
Подход прошел валидацию на двух системах. Во-первых, тугоплавкие металлы: ванадий, молибден, ниобий, тантал, вольфрам. Во-вторых, медь и благородные металлы: золото, серебро, платина, палладий. В каждой системе рассмотрели по три сочетания атомов. Например, сразу все металлы из второго перечня: или медь, палладий и платина; или только медь и платина. Пять элементов в составе каждого перечня подобраны так, что для них характерна одна и та же кристаллическая решетка. Это упрощает расчеты, поскольку заранее известно, что и у сплава будет та же решетка.
Исследователи применили свой алгоритм поиска к каждому из шести рассмотренных сочетаний атомов — по три сочетания на благородные и на тугоплавкие металлы. Алгоритм ориентирован на оптимизацию физических величин, называемых энергией и энтальпией образования вещества, которые указывают на то, какие сплавы устойчивы, а какие подвержены распаду, то есть самопроизвольному переходу в иную, более стабильную конфигурацию.
О результативности алгоритма можно судить, сравнив результаты поиска с наполнением стандартной базы сплавов, которой пользуются материаловеды в отрасли. Авторы исследования обнаружили 268 новых сплавов, устойчивых при нулевой температуре, которых в базе не было. Так, в системе «ниобий—молибден—вольфрам» подход на основе машинно-обучаемых потенциалов выдал 12 кандидатов, при этом в базе не фигурирует ни одного трехкомпонентного сплава с таким составом.
Теперь свойства новых сплавов можно уточнять и проверять более прицельным моделированием и экспериментами, чтобы установить, какие из этих материалов перспективны для практических применений.
«Использование компьютерного моделирования в науке о материалах уже послужило началом для открытия множества новых промышленно значимых сплавов, имеющих спектр применений — от деталей кузовов автомобилей до баков для хранения водорода в ракетном топливе», — добавила Зинькович.
Тем временем сами авторы нового алгоритма, по словам ученой, планируют применить свой подход к сплавам с другими составами и кристаллическими решетками.
