Исследовательская группа из России, Германии, Норвегии, США и Австрии впервые реализовала систематический подход к обучению моделей машинного обучения для симуляции магнитных материалов с использованием магнитных сил. Это позволило повысить достоверность и точность расчетов, а также снизить требования к вычислительным ресурсам при проектировании новых материалов.
Магнитные материалы лежат в основе современных технологий: они используются в компьютерах, медицинских томографах, сенсорах, устройствах записи данных и даже в системах целенаправленной доставки лекарств с помощью магнитных наночастиц. Ключ к новым прорывам в этих областях — управление магнитными свойствами на атомарном уровне. Однако экспериментальные методы исследования требуют ультрачистых образцов, дорогого оборудования и значительных затрат времени.
Традиционный инструмент для изучения таких материалов — теория функционала плотности (DFT). Она обеспечивает высокую точность, но крайне затратна при моделировании крупных систем, где проявляются важные эффекты, такие как дефекты кристаллической решетки или фазовые переходы. Для ускорения расчетов применяются межатомные потенциалы на основе машинного обучения (MLIP), которые обучаются на данных из DFT и позволяют быстро предсказывать энергии и силы в системах из тысяч и десятков тысяч атомов.
Однако стандартные MLIP-модели недостаточно хорошо справляются с магнитными материалами, поскольку не учитывают ориентацию и величину магнитных моментов атомов. Для корректного описания магнетизма требуются большие обучающие выборки с дорогостоящими спин-поляризованными расчетами DFT, учитывающими не только положение атомов, но и направление их магнитных моментов.
Исследователи предложили новый подход: включать в обучающую выборку так называемые магнитные силы — производные энергии по магнитным моментам. Это позволило моделям не только обучаться на стандартных энергетических и силовых данных, но и получать дополнительную информацию о межатомных взаимодействиях, критичную для описания магнетизма. Для валидации метода был использован набор из примерно 2 600 атомных конфигураций сплава железа и алюминия (Fe-Al) в различных соотношениях.
Новая методика показала десятикратное снижение ошибки в предсказании магнитных сил по сравнению с традиционными MLIP, обученными только на энергии, обычных силах и напряжениях. Точность предсказаний энергии и стандартных сил при этом не снизилась. Модели, обученные без магнитных сил, зачастую давали неустойчивые или нефизичные результаты при геометрической оптимизации, тогда как использование магнитных сил обеспечило 100% надежность расчетов даже при малых обучающих выборках.
Полученные MLIP-модели были протестированы в симуляциях поведения сплава Fe-Al при комнатной температуре (300 К) с помощью молекулярной динамики. Результаты хорошо совпали с экспериментальными данными по тепловому расширению, небольшие расхождения объясняются ограничениями исходной DFT-выборки. Это подтверждает пригодность нового подхода для исследования динамики и температурных эффектов в магнитных материалах.
Иван Новиков, доцент факультета компьютерных наук НИУ ВШЭ, сотрудник МФТИ и Сколтеха, прокомментировал работу: «Магнитные силы содержат дополнительную информацию о межатомных взаимодействиях. Их включение в обучающую выборку существенно повышает точность и достоверность предсказаний. Это позволяет надежно моделировать сложные магнитные системы при меньших затратах на квантовые расчеты, что делает такие исследования доступнее и воспроизводимее».
Впервые была проведена систематическая разработка, апробация и валидация данного подхода, что позволило существенно повысить надежность и точность симуляций, особенно в условиях ограниченных вычислительных ресурсов. Методика открывает путь к эффективному виртуальному скринингу и оптимизации новых магнитных сплавов, постоянных магнитов, магнито-калорических материалов для магнитного охлаждения, компонентов спинтроники и сенсоров.
Новые MLIP позволяют моделировать крупномасштабные системы — десятки тысяч атомов — с учетом дефектов, границ зерен, наноструктур и фазовых переходов, включая расчет температуры Кюри. Это критично для совершенствования электрических моторов, генераторов, трансформаторов, устройств хранения данных, магнитно-резонансных томографов и технологий доставки лекарств.
Инновационная методика может быть совмещена с активным обучением: специальные алгоритмы автоматически определяют, для каких конфигураций необходимы дополнительные квантовые расчеты, что еще больше сокращает объем вычислений и ускоряет поиск новых материалов.
Работа опубликована в журнале Computational Materials Science. В исследовании приняли участие ученые Сколтеха, МФТИ, НИУ ВШЭ, Института химии твердого тела и механохимии СО РАН, Института биохимической физики им. Эмануэля РАН, а также партнеры из Германии, Норвегии, США и Австрии.
Изображение носит иллюстративный характер
Магнитные материалы лежат в основе современных технологий: они используются в компьютерах, медицинских томографах, сенсорах, устройствах записи данных и даже в системах целенаправленной доставки лекарств с помощью магнитных наночастиц. Ключ к новым прорывам в этих областях — управление магнитными свойствами на атомарном уровне. Однако экспериментальные методы исследования требуют ультрачистых образцов, дорогого оборудования и значительных затрат времени.
Традиционный инструмент для изучения таких материалов — теория функционала плотности (DFT). Она обеспечивает высокую точность, но крайне затратна при моделировании крупных систем, где проявляются важные эффекты, такие как дефекты кристаллической решетки или фазовые переходы. Для ускорения расчетов применяются межатомные потенциалы на основе машинного обучения (MLIP), которые обучаются на данных из DFT и позволяют быстро предсказывать энергии и силы в системах из тысяч и десятков тысяч атомов.
Однако стандартные MLIP-модели недостаточно хорошо справляются с магнитными материалами, поскольку не учитывают ориентацию и величину магнитных моментов атомов. Для корректного описания магнетизма требуются большие обучающие выборки с дорогостоящими спин-поляризованными расчетами DFT, учитывающими не только положение атомов, но и направление их магнитных моментов.
Исследователи предложили новый подход: включать в обучающую выборку так называемые магнитные силы — производные энергии по магнитным моментам. Это позволило моделям не только обучаться на стандартных энергетических и силовых данных, но и получать дополнительную информацию о межатомных взаимодействиях, критичную для описания магнетизма. Для валидации метода был использован набор из примерно 2 600 атомных конфигураций сплава железа и алюминия (Fe-Al) в различных соотношениях.
Новая методика показала десятикратное снижение ошибки в предсказании магнитных сил по сравнению с традиционными MLIP, обученными только на энергии, обычных силах и напряжениях. Точность предсказаний энергии и стандартных сил при этом не снизилась. Модели, обученные без магнитных сил, зачастую давали неустойчивые или нефизичные результаты при геометрической оптимизации, тогда как использование магнитных сил обеспечило 100% надежность расчетов даже при малых обучающих выборках.
Полученные MLIP-модели были протестированы в симуляциях поведения сплава Fe-Al при комнатной температуре (300 К) с помощью молекулярной динамики. Результаты хорошо совпали с экспериментальными данными по тепловому расширению, небольшие расхождения объясняются ограничениями исходной DFT-выборки. Это подтверждает пригодность нового подхода для исследования динамики и температурных эффектов в магнитных материалах.
Иван Новиков, доцент факультета компьютерных наук НИУ ВШЭ, сотрудник МФТИ и Сколтеха, прокомментировал работу: «Магнитные силы содержат дополнительную информацию о межатомных взаимодействиях. Их включение в обучающую выборку существенно повышает точность и достоверность предсказаний. Это позволяет надежно моделировать сложные магнитные системы при меньших затратах на квантовые расчеты, что делает такие исследования доступнее и воспроизводимее».
Впервые была проведена систематическая разработка, апробация и валидация данного подхода, что позволило существенно повысить надежность и точность симуляций, особенно в условиях ограниченных вычислительных ресурсов. Методика открывает путь к эффективному виртуальному скринингу и оптимизации новых магнитных сплавов, постоянных магнитов, магнито-калорических материалов для магнитного охлаждения, компонентов спинтроники и сенсоров.
Новые MLIP позволяют моделировать крупномасштабные системы — десятки тысяч атомов — с учетом дефектов, границ зерен, наноструктур и фазовых переходов, включая расчет температуры Кюри. Это критично для совершенствования электрических моторов, генераторов, трансформаторов, устройств хранения данных, магнитно-резонансных томографов и технологий доставки лекарств.
Инновационная методика может быть совмещена с активным обучением: специальные алгоритмы автоматически определяют, для каких конфигураций необходимы дополнительные квантовые расчеты, что еще больше сокращает объем вычислений и ускоряет поиск новых материалов.
Работа опубликована в журнале Computational Materials Science. В исследовании приняли участие ученые Сколтеха, МФТИ, НИУ ВШЭ, Института химии твердого тела и механохимии СО РАН, Института биохимической физики им. Эмануэля РАН, а также партнеры из Германии, Норвегии, США и Австрии.
