Физики показали новый способ предсказания свойств магнитных сплавов

Учёные из Сколтеха и МФТИ с коллегами из Германии, Австрии и Норвегии предложили и верифицировали новый способ компьютерного моделирования магнитных сплавов с помощью машинно-обучаемых потенциалов. В методе в качестве переменных учитываются магнитные моменты атомов (магнитные степени свободы), благодаря чему он успешно предсказал энергию, механические и магнитные характеристики сплава железа и алюминия. Учёные планируют добавить в метод активное обучение и протестировать его на другом материале — нитриде хрома. Работа опубликована в Scientific Reports, сообщается в пресс-релизе Сколтеха.

При компьютерном моделировании материалов нередко приходится искать баланс между скоростью и точностью расчётов. Наименьшие ошибки в предсказаниях свойств и структуры веществ дают квантово-механические методы, в которых рассчитывается электронная структура вещества. Наиболее популярный из них — теория функционала плотности (DFT), в котором вместо волновой функции для каждого электрона, используется обобщённая электронная плотность, что уменьшает количество переменных, упрощает описание и ускоряет вычисления. Однако даже на суперкомпьютерах такими подходами можно моделировать системы размерами всего лишь в десятки и сотни атомов. Для расчётов более крупных систем применяют более упрощённые подходы через потенциалы взаимодействия, которые описывают силы между атомами и не учитывают электронную структуру. Из-за этого падает точность предсказаний свойств материала.

В последние годы было найдено промежуточное решение, когда можно сохранить «квантово-механическую точность» и на несколько порядков повысить скорость вычислений даже для систем из тысяч атомов. Одним из популярных методов стало машинное обучение, с помощью которого исследователи создают потенциалы взаимодействия, но обученные на результатах квантово-механических расчётов. Эти потенциалы лучше предсказывают параметры материалов, чем эмпирические аналоги. Однако даже машинно-обученные потенциалы не всегда учитывают магнитные степени свободы атомов, что может приводить к ошибкам, например, при моделировании материалов с выраженным ферро-, антиферро- или парамагнетизмом.

Чтобы корректно предсказывать свойства подобных веществ, научная группа физиков и математиков из МФТИ и Сколтеха, обобщила свой метод построения машинно-обучаемых потенциалов MTP (Moment Tensor Potentials) до версии mMTP (magnetic MTP), в которой учтены магнитные степени свободы атомов. Учёные уже применяли новую версию, в том числе для предсказания энергии железа в парамагнитном и ферромагнитном состоянии. В новой работе они протестировали метод для двухкомпонентного сплава железо-алюминий.

Иван Новиков, старший научный сотрудник Сколковского института науки и технологий и доцент кафедры химической физики функциональных материалов МФТИ, комментирует: «Наш коллектив занимается разработкой машинно-обучаемых потенциалов, которые ускоряют приблизительно на пять порядков квантово-механические расчёты, нужные для описания свойств материалов. В последние три года пошла разработка машинно-обучаемых потенциалов с магнитными степенями свободы, и мы тоже уже создали подобный потенциал — магнитный MTP и валидировали его для системы железа. В этой работе мы хотели провалидировать потенциал уже на двухкомпонентной системе и продемонстрировать алгоритм построения базы данных для обучения потенциала».

Исследователи собрали базу данных на основе результатов квантово-механических расчётов и по ней обучили пять mMTP-потенциалов. А затем проверили, как потенциалы предсказывают структуру и магнитные свойства сплава в зависимости от концентрации алюминия.

На первом и самом долгом этапе работы учёные собирали базу данных для обучения модели. Для квантово-механических расчётов выбрали системы из 16 атомов. Системы отличались по количеству и взаимному расположению («раскраске») атомов железа и алюминия. Полученные конфигурации приводили в состояние равновесия — релаксировали с помощью теории функционала плотности, то есть подбирались положения атомов, размеры кристаллической решётки и магнитные моменты, при которых конкретная структура имела минимальную энергию. На следующем шаге конфигурации возмущали: меняли размеры решётки и сдвигали атомы. На финальном, третьем этапе возмущали уже магнитные моменты как для структур с первого шага, так и для второго, для этого использовали теорию функционала плотности, в которой есть ограничения типа равенств на магнитные моменты электронов — constrained DFT. После всех трёх шагов была получена база из более 2 000 конфигураций с возмущениями и без.

Второй этап работы — обучение и верификация потенциалов mMTP — был самым сложным. На полученной выборке конфигураций исследователи обучали ансамбль из пяти потенциалов MTP. Затем исследователи сравнивали его предсказания равновесных параметров конфигураций (позиций атомов, магнитных моментов, размеров решётки) с квантово-механическими расчётами. Новый метод показал высокую точность и согласие с квантово-механическим моделированием для всех концентраций алюминия.

Результаты MTP также качественно совпали с экспериментом, когда учёные рассмотрели зависимость размеров решётки от содержания алюминия в сплаве. В пределах концентрации от 20% до 40% алюминия параметры решётки не менялись. Количественная разница связана в том числе с тем, что моделирование в отличие от опытов проводилось при абсолютном нуле температур.

В последней части работы учёные сравнили магнитные моменты сплавов, полученные квантово-механическим методом и с помощью mMTP. Результаты согласовались друг с другом и с теорией: если концентрация алюминия росла, сплав терял магнитные свойства. mMTP предсказал полную потерю ферромагнитизма при 50% содержании алюминия в отличие от квантово-механических расчётов. Данное расхождение нуждается в дополнительном исследовании.

Далее учёные планируют добавить активное обучение в свой метод, чтобы отбор конфигураций системы, подходящих для обучения потенциала, происходил автоматически. Это позволит исследовать материалы при ненулевых температурах, а также парамагнитные системы.

Иван Новиков делится планами: «Я считаю, что, соединив наши знания и результаты статьи 2022 года про железо и эту статью про железо-алюминий, мы добавим и применим активное обучение и верифицируем mMTP для другого материала — нитрида хрома. В частности, сможем предсказать изменение удельной теплоёмкости, рассмотреть парамагнитные состояния. Я сторонник подхода, что надо сначала провалидировать подробно методологию, которую разработали, а потом переходить в более практическую плоскость. Собственно говоря, наша научная работа по такому пути и развивалась: сначала валидировали MTP на прототипных системах, а сейчас мы уже подошли к предсказанию фазовых диаграмм сложных веществ».