Fysikere præsenterer en ny måde at forudsige magnetiske legeringsegenskaber med maskinlæring

Forskere fra Skoltech og MIPT og deres tyske, østrigske og norske kolleger har foreslået og testet en ny metode til computermodellering af magnetiske legeringer. Metoden, der er afhængig af maskinlæring, forudsagde nøjagtigt energien, mekaniske og magnetiske egenskaber af legeringen af ​​jern og aluminium.

Dette er blevet muligt ved at redegøre for de såkaldte magnetiske momenter af atomer, der giver anledning til virkningerne af magnetisme. Undersøgelsen er offentliggjort i Scientific Reports og er et springbræt mod modellering af chromnitrid - et ultrahårdt og korrosionsbestandigt materiale, der bruges til metalformning, medicinske værktøjer og implantater.

Computermodellering af materialer er ofte en balancegang mellem hastighed og nøjagtighed. Guldstandarden til at forudsige materialestruktur og egenskaber med den mindste fejl er kvantemekaniske beregninger, såsom løsning af Schrodinger-ligningen.

Der er måder at accelerere disse krævende beregninger på, hvor den mest populære blandt dem er tæthedsfunktionsteori. Måden DFT sparer beregningstid på er denne:I stedet for at løse ligningen med hensyn til elektronbølgefunktionen, finder vi den såkaldte totale elektrontæthed i den laveste energitilstand. Men selv det gør det kun muligt at modellere systemer, der er titusinder eller hundredvis af atomer store på en supercomputer.

Større systemer kræver yderligere forenkling:Ignorerer den elektroniske struktur og overvejer såkaldte interatomiske interaktionspotentialer, som karakteriserer kræfterne mellem atomer. Dette ofrer naturligvis en vis nøjagtighed ved at forudsige et materiales egenskaber.

De seneste år har set fremkomsten af ​​en ny løsning, der tilbyder det bedste fra begge verdener. Det bevarer nøjagtigheden af ​​kvantemekaniske beregninger og øger beregningshastigheden drastisk, selv for systemer, der tæller tusindvis af atomer. En populær tilgang er at bruge maskinlæring til at opnå interatomiske potentialer trænet på kvantemekaniske beregningsresultater.

Sådanne potentialer giver bedre forudsigelser af materialeegenskaber end deres eksperimentelt fremskaffede analoger. Imidlertid tager maskinlæringsinteratomiske potentialer ikke nødvendigvis højde for atomernes magnetiske momenter, og dette kan forårsage fejl i modellering af magnetiske materialer.

For at modellere sådanne materialers egenskaber opdaterede en gruppe fysikere og matematikere fra MIPT og Skoltech sin Moment Tensor Potentials-metode til at opnå interatomiske potentialer for maskinindlæring og generaliserede den til version mMTP. Denne nye "magnetiske" MTP er allerede blevet brugt til at forudsige energien af ​​jern i dets para- og ferromagnetiske tilstande. Den nye undersøgelse i Scientific Reports anvender metoden på tokomponentlegeringen af ​​jern og aluminium.

Ivan Novikov, seniorforsker ved Skoltech og lektor ved MIPT-afdelingen for kemisk fysik af funktionelle materialer, kommenterede:"Vores team udvikler maskinlæringspotentialer, der fremskynder de kvantemekaniske beregninger, der er nødvendige for at beskrive materialers egenskaber med ca. fem størrelsesordener.

"I løbet af de sidste tre år er der opstået maskinlæringspotentialer med magnetisk moment, og vi skabte vores eget mMTP og validerede det på systemet af jern. I det nye papir forsøgte vi at validere potentialet på et to-komponent system og demonstrere algoritmen til at bygge et datasæt til træning af potentialet."

Forskerne kompilerede datasættet på basis af kvantemekaniske beregninger og brugte det til at træne fem mMTP'er. Holdet testede derefter, hvor godt potentialerne kunne forudsige strukturen og de magnetiske egenskaber af jern-aluminium-legeringen afhængigt af andelen af ​​aluminium.

Den første fase af undersøgelsen, som varede længst, involverede oprettelse af datasættet til modeltræning. Seksten-atom-systemer blev valgt til de kvantemekaniske beregninger. Systemerne var forskellige i antallet og relative positioner af jern- og aluminiumatomerne. For hver konfiguration tillod densitetsfunktionsteori holdet at finde positionerne af atomerne, gittergeometrien og magnetiske momenter, der svarede til det pågældende systems laveste energitilstand.

Dernæst introducerede forskerne forstyrrelser i systemet ved at forskyde atompositioner og udvide eller komprimere gittervektorerne, som karakteriserer gittergeometrien. Den sidste fase involverede excitation af de magnetiske momenter for strukturerne fra både første og anden fase ved hjælp af tæthedsfunktionel teori og de begrænsninger, det pålægger magnetiske momenter. Det resulterende datasæt indeholdt mere end 2.000 konfigurationer, både exciterede og i ligevægtstilstand.

Forskerne fortsatte derefter med at træne et ensemble af fem mMTP'er på det nydannede datasæt og teste deres forudsigelser af en konfigurations ligevægtsmagnetiske momenter og gittervektorer mod kvantemekaniske beregninger. Den nye metode viste sig at være meget nøjagtig uanset andelen af ​​aluminium i legeringen.

Magnetiske MTP-forudsigelser stemte også godt overens med eksperimentet. Forskerne overvejede, hvordan forholdet mellem metallerne i jern-aluminium-legeringen påvirker gittervektorerne. Det viste sig, at gitterets geometri forblev uændret for andelen af ​​aluminium mellem 20% og 40%. Der blev observeret et kvantitativt misforhold, men det kunne forklares ved det faktum, at modellering antog temperaturens absolutte nulpunkt i modsætning til eksperimentet.

Forskerne fortsatte med at sammenligne de magnetiske momenter af legeringerne givet af mMTP og ved kvantemekaniske beregninger. Værdierne stemte overens med hinanden og med teorien:Efterhånden som andelen af ​​aluminium voksede, blev legeringens magnetiske egenskaber mindre. Men mens mMTP forudsagde et fuldstændigt tab af ferromagnetisme ved 50 % aluminium, gjorde kvantemekaniske beregninger det ikke. Dette misforhold kræver yderligere undersøgelse.

Forskerne planlægger at supplere deres metode med aktiv læring, så udvælgelsen af ​​konfigurationer, der egner sig til at træne potentialet, sker automatisk. Dette vil gøre det muligt at studere multikomponent paramagnetiske systemer og materialer ved ikke-nul temperaturer.

"Ved at kombinere vores viden og forskningsresultaterne fra 2022 om jern med dette nye papir om jern-aluminium-legeringen, vil vi tilføje aktiv læring og verificere mMTP på et andet materiale - kromnitrid," sagde Novikov.

"Konkret vil vi være i stand til at forudsige variationen af ​​specifik varmekapacitet og undersøge paramagnetiske tilstande. Jeg går ind for tilgangen, når man begynder med at validere sin metode grundigt og først derefter vender sig til praktiske spørgsmål. Og dette er vejen vores forskning har taget indtil nu:Først validerede vi MTP på benchmark-systemer, og vi er nu på et punkt, hvor vi kan begynde at forudsige fasediagrammerne for mere komplekse materialer."

Flere oplysninger: Alexey S. Kotykhov et al., Constrained DFT-based magnetic machine-learning potentials for magnetic legeringer:a case study of Fe-Al, Scientific Reports (2023). DOI:10.1038/s41598-023-46951-x

Journaloplysninger: Videnskabelige rapporter

Leveret af Skolkovo Institute of Science and Technology