Учёные Центра технологий материалов Сколтеха (входит в группу ВЭБ.РФ) предложили новый подход к моделированию механических свойств гетерогенных материалов, который сочетает машинное обучение с активным обучением на локальных химических конфигурациях. Метод позволяет проводить расчёты крупных систем, содержащих десятки тысяч атомов, с точностью, сопоставимой с прямыми квантово-механическими расчётами (DFT), но при этом без привлечения крупных вычислительных мощностей. Исследование опубликовано в журнале Computational Materials Science.

Разработанная методология основана на использовании момент-тензорных потенциалов (MTP), которые обучаются на данных, полученных из расчётов методом функционала электронной плотности. В процессе моделирования система автоматически идентифицирует локальные атомные окружения, для которых предсказания энергии потенциалом становятся ненадёжными (экстраполяционными), извлекает их из крупной расчётной ячейки и направляет на дополнительный расчёт методами DFT. Эти фрагменты затем добавляются в обучающую выборку, и потенциал переобучается, что последовательно расширяет область его применимости. Авторы применили этот подход к композитам WC‑Co — твёрдым сплавам на основе карбида вольфрама, известного как победит, широко используемым в промышленности благодаря высокой твёрдости и износостойкости.

Разработанный подход, основанный на активном обучении на локальных химических конфигурациях, позволяет моделировать крупные поликристаллические и композитные системы, включая дефекты и межзёренные границы, которые недоступны для прямых DFT-расчётов, но при этом новый подход сохраняет точность квантово-механического описания. Метод применим для широкого класса гетерогенных материалов — от керамик и металлокерамики до наноструктурированных композитов.

«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: эти расчёты применимы лишь к системам из нескольких сотен атомов, тогда как реальные поликристаллические материалы содержат десятки тысяч атомов. Предложенный нами подход позволяет решить эту проблему: мы автоматически собираем информацию о локальных атомных конфигурациях, которые встречаются в материале, и используем её для обучения потенциала, сохраняя точность DFT при масштабах, достаточных для моделирования промышленных композитов. Это даёт инженерам и материаловедам инструмент для предсказательного расчёта свойств материалов без дорогостоящих экспериментов», — прокомментировал Александр Квашнин, руководитель исследования, профессор Центра технологий материалов Сколтеха.

«На примере WC‑Co мы показали, как метод позволяет количественно описать переход от хрупкого к пластичному поведению при увеличении содержания связки из кобальта. Такие данные важны для проектирования материалов с оптимальным балансом твёрдости и вязкости разрушения. Наш подход является универсальным и может быть применим для самых разных композитных и поликристаллических материалов», — отметил Фаридун Джалолов, первый автор работы, аспирант программы «Науки о материалах» Сколтеха.