Pesquisadores revelam novo método para calcular propriedades mecânicas de sólidos usando aprendizado de máquina
Ilustração esquemática do aprendizado sobre o ambiente atomístico local. A região destacada pelo círculo vermelho contém átomos com o grau extrapolativo mais alto, que são então cortados da estrutura e usados para construir a configuração periódica para cálculos adicionais da Teoria do Funcional da Densidade de energia, forças e tensões. Crédito:Teoria Avançada e Simulações (2024). DOI:10.1002/adts.202301171 Uma equipe de pesquisa da Skoltech apresentou um novo método que aproveita o aprendizado de máquina para estudar as propriedades de policristais, compósitos e sistemas multifásicos. Alcançou alta precisão, quase tão boa quanto a dos métodos da mecânica quântica, que só são aplicáveis a materiais com menos de algumas centenas de átomos.
O novo método também se beneficia do aprendizado ativo em ambientes atômicos locais. O artigo foi publicado na Advanced Theory and Simulations Diário.
"Muitos materiais industriais são sintetizados como policristais ou sistemas multifásicos. Eles contêm um único cristal e componentes amorfos entre grãos de cristal único. O grande número de átomos torna difícil calcular as propriedades desses sistemas usando métodos modernos de mecânica quântica. Densidade funcional a teoria só pode ser aplicada a materiais com algumas centenas de átomos."
"Para resolver o problema, usamos uma abordagem de aprendizado de máquina baseada em potenciais de tensor de momento (MTP). Esses potenciais também foram desenvolvidos na Skoltech sob a orientação do professor Alexander Shapeev", comentou Faridun Jalolov, principal autor do estudo e um Skoltech Ph.D. estudante do programa de Ciência e Engenharia de Materiais.
Em comparação com outras soluções, os autores veem o potencial do novo método na aprendizagem ativa em ambientes atômicos locais. Ao calcular uma estrutura grande com muitas centenas de milhares de átomos, o MTP identifica qual átomo comete um erro nos cálculos ou é calculado incorretamente. A razão para isso pode ser o conjunto limitado de dados de treinamento, que impede que todas as configurações possíveis do sistema sejam consideradas.
Um ambiente local deste átomo é então “cortado” e sua energia é calculada usando a mecânica quântica. Posteriormente, os dados são adicionados de volta ao conjunto de treinamento para aprendizado adicional. À medida que o aprendizado dinâmico avança, os cálculos continuam até encontrar outra configuração que precisa ser incluída no processo de treinamento. Outros potenciais conhecidos de aprendizagem automática não podem ser aprendidos em pequenas partes locais de grandes estruturas, o que limita a sua aplicabilidade e precisão.
"Como exemplo, estudamos as propriedades mecânicas dos policristais de diamante, que são os materiais naturais mais duros e frequentemente usados na indústria - por exemplo, na fabricação de equipamentos de perfuração para poços de petróleo. Os resultados mostram que as propriedades mecânicas desses diamantes policristalinos dependem no tamanho do grão – quanto maior o grão, mais semelhantes são as propriedades às de um único diamante de cristal”, continuou Jalolov.
Os autores destacaram que esta abordagem permitirá estudar as propriedades mecânicas de materiais cristalinos não únicos que são normalmente sintetizados e utilizados em experimentos, bem como realizar estudos abrangentes de materiais policristalinos e compósitos e obter dados o mais próximos possível dos resultados experimentais.
"No uso real, materiais que não são cristais perfeitos são frequentemente empregados devido à sua incapacidade de cristais perfeitos atenderem totalmente aos requisitos de uma peça específica de equipamento."
"Um bom exemplo disso é o carboneto de tungstênio e o cobalto. Ao adicionar cobalto ao carboneto de tungstênio, o material se torna mais resistente a trincas, tornando-o muito valioso em aplicações. O novo método nos permitirá investigar as causas e formas de alterar a mecânica propriedades desses sistemas multifásicos em nível atômico", disse Alexander Kvashnin, chefe da pesquisa e professor do Centro de Transição Energética.