Искусственный интеллект ускорил поиск новых сплавов

 

Ученые из Сколтеха и Московского физико-технического института ускорили при помощи машинного обучения 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 метод использует машинное обучение, чтобы ускорить перебор вариантов и сделать его более исчерпывающим, сообщает пресс-служба Сколтеха.

Чистые металлы обычно уступают по 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.

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 — долгий и дорогостоящий процесс. Более того, даже моделирование сплавов на компьютере требует огромных затрат времени и ресурсов и потому не позволяет перебирать 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. Скажем, в простейшей системе двух элементов, ниобия и вольфрама, если рассмотреть набор из двадцати атомов в ячейке кристаллической решетки, вам уже придется моделировать более миллиона различных комбинаций, два в двадцатой степени, без учета симметрии», — рассказал один из авторов исследования, заведующий лабораторией методов искусственного интеллекта для разработки материалов Центра искусственного интеллекта Сколтеха Александр Шапеев.

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. Это очень точные, но сложные и долгие расчеты. Мы же используем машинно-обучаемые потенциалы, которые, напротив, отличаются высокой скоростью вычислений и позволяют перебирать все возможные комбинации до некоторой границы отсечения, например до двадцати атомов в суперъячейке, а значит, мы не пропустим хороших кандидатов», — пояснила магистрантка программы «Науки о данных» Сколтеха и выпускница МФТИ Виктория Зинькович.

Подход прошел валидацию на двух системах — тугоплавких металлах (ванадии, молибдене, ниобии, тантале и вольфраме) и благородных (золоте, серебре, платине, палладии). 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 двести шестьдесят восемь новых сплавов, устойчивых при нулевой температуре, которых в базе не было. Так, в системе ниобий-молибден-вольфрам подход на основе машинно-обучаемых потенциалов выдал двенадцать кандидатов, при этом в базе не фигурирует ни один трехкомпонентный сплав 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 Виктория Зинькович.

Авторы нового алгоритма планируют применить свой подход к сплавам с другими составами и кристаллическими решетками. Исследование поддержано грантом Российского научного фонда, результаты опубликованы в журнале NPJ Computational Materials. 

Источник: https://3dtoday.ru/blogs/news3dtoday/iskusstvennyi-intellekt-uskoril-poisk-novyx-splavov