Учёные Уральского федерального университета, Института металлургии УрО РАН и Института физики высоких давлений РАН обнаружили неожиданное свойство искусственного интеллекта — распространять «навыки» описания свойств одних металлических сплавов на другие, значительно отличающиеся по составу и свойствам. Эта способность существенно облегчает задачу моделирования новых материалов с заданными свойствами. Коллеги дали открытому явлению оригинальное определение: композиционная переносимость. Статья о проведённых исследованиях с описанием результатов опубликована в Journal of Molecular Liquids.
Открытие произошло в ходе «тренировки» потенциалов машинного обучения на основе глубоких нейронных сетей. Потенциалы машинного обучения (Deep Neural Network Potentials, DNNP — разновидность межатомных потенциалов машинного обучения, Machine Learning Interatomic Potentials, MLIP, математических функций) позволяют описывать взаимодействие атомов в системе, характеризовать их движение и пространственное положение. Глубокие нейросети используются, в том числе, для распознавания объектов, речи, машинного перевода.
«Нашей задачей было установить, какие параметры — количество слоев нейросети, количество нейронов в каждом слое и т. д. — оказывают наиболее существенное влияние на DNNP, на условия обучения потенциалов, такие как скорость и стабильность. Знания, полученные в результате исследований, позволяют увеличить точность и вычислительную производительность DNNP», — комментирует Роман Рыльцев, профессор учебно-научного центра «Информационная безопасность» УрФУ, заведующий лабораторией неупорядоченных систем Института металлургии УрО РАН, руководитель исследований и соавтор статьи.
В качестве «испытательного стенда» учёные использовали расплавы алюминия, меди и никеля. Эти расплавы были выбраны как химически сложная, многокомпонентная, при этом хорошо изученная система, пригодная и удобная для тщательного тестирования потенциалов. Кроме того, данные сплавы отличаются особой антикоррозийной стойкостью и жаропрочностью и поэтому имеют большое практическое значение.
Исследователи «обкатали» и «настроили» на десяти составах расплавов алюминия, меди и никеля несколько десятков потенциалов с разными значениями параметров. По итогам численных экспериментов выявлены приоритетные параметры, определяющие эффективность DNNP, определено их программное воплощение, наиболее оптимальное с точки зрения точности и скорости вычислений и прогнозов. Выяснилось, что процедура сжатия выбранной модели DNNP, напоминающая архивацию файлов, увеличивает вычислительную производительность потенциалов в шесть раз, при соблюдении прежней точности вычислений и прогнозов.
Дальнейшие исследования учёных нацелены на то, чтобы выяснить, является ли композиционная переносимость универсальной чертой DNNP, и способны ли они «опознавать», описывать и моделировать системы с большим количеством компонентов, чем расплавы алюминия, меди и никеля, в том числе твердофазные.
«Но и уже полученные данные открывают перспективы разработки универсальных потенциалов для высокоточного, высокопроизводительного и экономичного прогнозирования, программирования и создания широкого спектра новых материалов с заданной структурой и свойствами (твёрдости, вязкости, проводимости и т. д.), конкретно — многокомпонентных металлических сплавов», — резюмирует Роман Рыльцев.
Справка
Бурное развитие программного обеспечения, моделей машинного обучения и, в частности, нейронных сетей в последние несколько лет породило технологическую революцию в области компьютерного атомистического моделирования новых материалов. Оно предусматривает прогнозирование, «конструирование» и объяснение свойств материалов на атомарном уровне, недоступном в реальном эксперименте.
В сравнении с «классическими» квантово-механическими методами, преимущество нейросетей в том, что они способны с высокой точностью описывать и прогнозировать свойства сложных систем, состоящих не из сотен, а из миллионов взаимодействующих частиц на временных масштабах до сотен наносекунд. При этом затраты времени на вычисления — на порядки меньше, чем в случае квантово-механических методов.
До недавних пор вычисления таких масштабов можно было провести только с помощью приближенных эмпирических потенциалов, которые, по сравнению с квантово-механическими методами, давали гораздо более низкую точность, недостаточную для решения задач современного материаловедения. Проблема была решена благодаря комбинированию квантово-механических расчётов и методов машинного обучения в целях эффективного генерирования межатомных потенциалов машинного обучения, MLIP.
На сегодня создано множество эффективных моделей MLIP, которые почти абсолютно точно описывают однокомпонентные (беспримесные) и двухкомпонентные неупорядоченные системы различной природы — их атомную структуру и динамику во всем многообразии композиций составляющих элементов. Вместе с тем до сих пор нет ответов на многие ключевые вопросы создания и применения MLIP, в том числе, как с их помощью решать конкретные задачи описания стекол, переохлаждённых жидкостей и многокомпонентных сплавов. Поэтому MLIP остается наукоёмким методом, возможности широкого распространения которого всё ещё ограничены. Прояснению этих вопросов и поиску оптимального MLIP применительно к многокомпонентным металлическим расплавам и посвящена работа соавторов из УрФУ, ИМЕТ УрО РАН и ИФВД РАН.