研究人员揭示了利用机器学习计算固体机械性能的新方法

Skoltech的一个研究团队推出了一种新方法，利用机器学习来研究多晶、复合材料和多相系统的特性。它达到了很高的精度，几乎与量子力学方法一样好，量子力学方法仅适用于少于几百个原子的材料。

新方法还受益于对本地原子环境的主动学习。该论文发表在《高级理论与模拟》杂志上。

“许多工业材料被合成为多晶或多相系统。它们在单晶粒之间既包含单晶又包含非晶成分。大量原子使得很难使用现代量子力学方法计算这些系统的特性。密度泛函理论只能应用于具有几百个原子的材料。”

该研究的主要作者FaridunJalolov评论道：“为了解决这个问题，我们使用了基于矩张量势(MTP)的机器学习方法。这些势也是在Skoltech在AlexanderShapeev教授的指导下开发的。”斯科尔科技博士材料科学与工程专业的学生。

与其他解决方案相比，作者看到了新方法在本地原子环境主动学习方面的潜力。当计算具有数十万个原子的大型结构时，MTP可以识别哪个原子在计算中出错，或者计算错误。其原因可能是训练数据集有限，这导致无法考虑所有可能的系统配置。

然后，该原子的局部环境被“切掉”，并使用量子力学计算其能量。之后，将数据添加回训练集中以进行进一步学习。随着即时学习的进展，计算会继续进行，直到遇到需要包含在训练过程中的另一种配置。其他已知的机器学习潜力无法在大型结构的小局部部分上学习，这限制了它们的适用性和准确性。

“举例来说，我们研究了金刚石多晶的机械性能，金刚石多晶是最硬的天然材料，经常用于工业中，例如，在制造油井钻井设备时。结果表明，这些多晶金刚石的机械性能取决于晶粒尺寸——晶粒越大，其特性与单晶金刚石越相似，”Jalolov继续说道。

作者指出，这种方法将允许研究通常在实验中合成和使用的非单晶材料的机械性能，以及对多晶和复合材料进行全面研究，并获得尽可能接近实验结果的数据。

“在实际使用中，经常使用非完美晶体的材料，因为完美晶体无法完全满足特定设备的要求。”

“碳化钨和钴就是一个很好的例子。通过在碳化钨中添加钴，该材料变得更加抗裂，使其在应用中非常有价值。新方法将使我们能够研究改变机械性能的原因和方法。这些多相系统在原子水平上的特性，”该研究负责人、能源转型中心教授亚历山大·克瓦什宁(AlexanderKvashnin)说。