БОНУСЫ ЦИФРОВИЗАЦИИ

— Сегодня мы переживаем цифровую революцию, и следствие этого «бума» — активное внедрение искусственного интеллекта во все области жизни и, конечно же, в науку, в том числе и науку о материалах. Спектр приложений методов машинного обучения здесь очень широкий: от автоматического распознавания и обработки данных эксперимента (например, результатов микроскопии) до оптимизации технологических цепочек металлургических предприятий.

Одной из задач, в решении которой успешно используются методы машинного обучения, — задача предсказания структуры и свойств различных материалов — кристаллических, аморфных, нанокомпозитных, если заданы их химический состав и значения термодинамических параметров (температуры, давления и т. д.). Наиболее точны и эффективны методы прогнозирования, основанные на прямых ab initio расчетах энергий и межатомных сил. Поясню: ab initio (лат. — «от начала») — обоснование какого-либо явления исходя из естественных законов природы без привлечения дополнительных эмпирических предположений или специальных моделей. Ab initio в физике — решение задачи с помощью уравнений квантовой механики.

Существуют различные ab initio методы предсказания структуры материалов. Например, широко распространены так называемые эволюционные алгоритмы, которые построены по аналогии с процессами эволюции, протекающими в живой природе. Идея заключается в генерировании некоторого числа начальных кристаллических структур и последовательном применении к ним различных искажений (мутаций) от поколения к поколению. На каждом из поколений эффективность мутации оценивается путем расчета энергий полученных структур методами квантовой механики. Мы можем выбирать только «хорошие» мутации и полученные в их результате структуры передавать на следующий этап (поколение) для дальнейшего модифицирования. Таким образом, здесь действует базовый природный принцип «выживает сильнейший», когда сохраняется мутация, которая помогает организму наилучшим образом приспособиться к внешним условиям. Но эволюционные алгоритмы эффективны только для определенного круга задач и условий. Например, при низких температурах, когда основную роль в формировании структуры играет энергия системы (которую сравнительно легко посчитать), а энтропию (которую считать куда сложнее) можно не учитывать. Однако они плохо работают во многих практически важных случаях, например, если речь идет осистемах, состоящих из очень большого числа компонентов или в случае неупорядоченных или частично неупорядоченных систем. А нас интересуют именно такие системы: объемно-аморфные металлические сплавы (металлические стекла), а также высокоэнтропийные многокомпонентные твердые растворы. Точно предсказать структуру таких материалов, например, с помощью эволюционных методов вряд ли получится. В этом случае нужно разрабатывать методы, позволяющие предсказать тенденцию формирования определенных структур. Поскольку высокоэнтропийные сплавы включают множество (иногда более десяти) компонентов, то количество возможных вариантов состава здесь огромно, и без предварительных прогностических расчетов не обойтись. Компьютерное моделирование помогает выяснить, какие химические элементы и в каком соотношении нужно взять, чтобы получить желаемый продукт.

— Можно исследовать структурную наследственность, связывающую высокотемпературные (неупорядоченные) и низкотемпературные (упорядоченные) фазы вещества. Под структурной наследственностью понимается наличие «генетических» связей между структурами неупорядоченных и упорядоченных фаз. Изучение этих связей позволяет прогнозировать структуру и свойства материала в твердом состоянии по экспериментально измеряемым характеристикам его жидкого состояния (рентгеноструктурные данные, плотность, вязкость), а также по результатам атомистического моделирования. Нас интересуют металлические сплавы, следовательно, чтобы прогнозировать их структуру и свойства, нужно изучать жидкие металлы — расплавы. Более того, изучение расплавов представляет и вполне самостоятельный интерес, поскольку плавление и последующая разливка металла — это один их этапов металлургического процесса и получения образцов для фундаментальных исследований. Поэтому изучение металлических расплавов — одна из ключевых тематик ИМЕТ УрО РАН.

Принципиально иные идеи предсказания лежат в основе методов «черного ящика», когда модели машинного обучения используются для нахождения общих связей между структурой или желаемыми свойствами материала (например, прочность или стеклообразующая способность) и набором простых характеристик, которые можно либо легко вычислить для заданного состава или извлечь из экспериментальных данных (атомные радиусы, концентрация валентных электронов, термодинамические характеристики смешения и т. п.). Эти методы не так точны, как те, что основаны на принципах ab initio, но они позволяют локализовать область поиска перспективных соединений. Так, например, быстро обработав с помощью таких методов 10 тысяч вариантов сплавов, можно выбрать из них десять перспективных и затем подробно изучить на предмет полезных свойств.

— Наша цель — синтез новых металлических сплавов, изучение их свойств и поиск возможных приложений. Основные объекты нашего исследования — многокомпонентные композиционно сложные металлические сплавы. Мы уже говорили о необходимости прогнозирования и теоретического описания свойств таких систем. Поэтому создание и совершенствование эффективных методов такого прогнозирования —одна из важнейших задач. И здесь мы активно используем методы машинного обучения. Помимо тех, о которых шла речь выше, я бы хотел выделить еще один метод, недавнее появление и развитие которого, на мой взгляд, стало одним из главных достижений в науках о материалах за последние десять лет. Это методы компьютерного моделирования, основанные на использовании межчастичных потенциалов машинного обучения. Мы как раз и занимаемся созданием таких потенциалов и используем их для моделирования структуры и свойств изучаемых сплавов.

— Ключевая задача атомистического моделирования (то есть исследования материалов, основанного на анализе движения отдельных атомов и молекул) — вычисление сил, с которыми атомы действуют друг на друга. Главный вопрос — где взять эти силы? С математической точки зрения речь идет о задаче вычисления так называемой поверхности потенциальной энергии, то есть потенциальной энергии системы как функции атомных координат. Это чрезвычайно сложная функция, зависящая от большого числа переменных (координат каждого атома в системе). Самые точные и строгие методы ее вычисления основаны на решении уравнений квантовой механики (ab initio методы, о которых уже говорили выше). Однако такие методы позволяют изучать системы, состоящие всего лишь из сотен частиц на временах порядка не более наносекунд, а этого недостаточно для многих практически важных задач. С другой стороны, существуют методы классической молекулярной динамики, когда не берется во внимание электронная структура, а атомы рассматривается как точки, взаимодействующие посредством некоторых простых модельных функций — потенциалов. Такие методы позволяют изучать системы из 10⁶–10⁹ атомов на временах вплоть до микросекунд. Однако точность классического моделирования очень сильно ограничена тем, что модельные потенциалы лишь приближенно (и иногда слишком грубо) описывают сложный характер межатомного взаимодействия в реальных системах. В последние годы появился подход к решению этой проблемы — использование потенциалов машинного обучения (MLIP — machine learning interatomic potentials). Такие потенциалы выбираются в виде каких-то очень общих и гибких математических функций (например, нейронных сетей) и поэтому могут очень эффективно и точно приближать поверхность потенциальной энергии изучаемой системы. Параметры таких функций (а их могут быть сотни тысяч) оптимизируются на основе данных ab initio расчетов. В этом и заключается процесс так называемой тренировки потенциалов, и для этого используются алгоритмы машинного обучения (отсюда и название MLIP). Моделирование с помощью MLIP позволяет достигнуть точности, близкой к точности расчетов ab initio при меньших на 3–4 порядка вычислительных затратах. Этот подход сейчас развиваем и мы, разрабатывая эффективные методы создания MLIP и применяя их к исследованию многокомпонентных металлических сплавов. Одно из направлений использования MLIP, в котором мы работаем, — расчет характеристик атомного транспорта в металлических расплавах, таких как вязкость и коэффициенты диффузии. Насколько мне известно, мы единственные в мире, кто начинает этим активно заниматься. Это абсолютно новое поисковое направление и здесь, конечно, еще предстоит решить очень много методических проблем. В нынешнем году мы получили грант РНФ на проведение этих исследований, и, надеюсь, после их завершения ответы на многие вопросы будут получены.