Автор: 
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 прочего.
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. Учёные из России заметно ускорили поиск кандидатов металлических сплавов, из которых экспериментаторы отбирают материалы для ракетостроения и других высокотехнологичных отраслей. Новый метод, представленный в журнале npj Computational Materials, использует машинное обучение, чтобы ускорить перебор вариантов и сделать его более исчерпывающим.
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. Новый подход прошёл 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 решётка. Это упрощает расчёты, 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 трёхкомпонентного 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. Тем временем сами авторы нового алгоритма планируют применить свой подход к сплавам с другими составами и кристаллическими решётками.
