Ученые из Сколтеха при помощи машинного обучения ускорили поиск «кандидатов» металлических сплавов, которые используются в хранении энергии, производстве водорода и других отраслях новой энергетики. Результаты исследования опубликованы в журнале npj Computational Materials.

Чистые металлы обычно уступают по своим свойствам сплавам из нескольких металлов и «сторонних» элементов, таких как кремний или углерод. Меняя состав и соотношение элементов в сплаве, можно регулировать его характеристики, в том числе прочность, температуру плавления и электрическое сопротивление. 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 не позволяет перебрать много ресурсов.

«Потенциальных кандидатов очень много, потому что много переменных: какие химические элементы в составе сплава, в каких соотношениях, какая кристаллическая решетка и так далее. Скажем, в простейшей системе двух элементов, ниобия и вольфрама, если рассмотреть набор из 20 атомов в ячейке кристаллической решетки, вам уже придется моделировать более миллиона различных комбинаций, 2 в степени 20, без учета симметрии», — цитирует Сколтех профессора Александра Шапеева.

Вдобавок, алгоритмы, использующиеся для моделирования и отбора сплавов, хорошо работают при точечном поиске кандидатов, без перебора всех возможных комбинаций. В этом случае появляется риск упустить материал с выдающимися характеристиками. «Мы же используем машинно-обучаемые потенциалы, которые, напротив, отличаются высокой скоростью вычислений и позволяют перебрать все возможные комбинации до некоторой границы отсечения, например до 20 атомов в суперъячейке. А значит, мы не пропустим хороших кандидатов», — приводит Сколтех слова одного из авторов исследования Викторию Зинькович.

Для апробации своего подхода авторы использовали тугоплавкие (ванадий, молибден, ниобий, тантал, вольфрам) и благородные металлы (золото, серебро, платина, палладий), делая на их основе шесть различных комбинаций атомов. К каждому из этих сочетаний ученые применили алгоритм, указывающий, какие из сплавов устойчивы, а какие — подвержены распаду. В результате авторы обнаружили 268 новых сплавов, устойчивых при нулевой температуре, которые ранее не были известны. Это говорит о том, что использование машинного обучения позволяет открывать сплавы, которые были не доступны с помощью стандартных методов материаловедения.