Une équipe de recherche de Skoltech a introduit une nouvelle méthode qui tire parti de l'apprentissage automatique pour étudier les propriétés des polycristaux, des composites et des systèmes multiphasés. Elle a atteint une grande précision, presque aussi bonne que celle des méthodes de mécanique quantique, qui ne sont applicables qu'aux matériaux comportant moins de quelques centaines d'atomes.
La nouvelle méthode bénéficie également d’un apprentissage actif sur les environnements atomiques locaux. L'article est publié dans Advanced Theory and Simulations. journal.
"De nombreux matériaux industriels sont synthétisés sous forme de polycristaux ou de systèmes multiphasés. Ils contiennent à la fois un monocristal et des composants amorphes entre les grains monocristallins. Le grand nombre d'atomes rend difficile le calcul des propriétés de ces systèmes à l'aide de méthodes de mécanique quantique modernes. Densité fonctionnelle la théorie ne peut être appliquée qu'à des matériaux comportant quelques centaines d'atomes. "
"Pour résoudre le problème, nous utilisons une approche d'apprentissage automatique basée sur les potentiels de tenseur de moment (MTP). Ces potentiels ont également été développés à Skoltech sous la direction du professeur Alexander Shapeev", a commenté Faridun Jalolov, l'auteur principal de l'étude et un doctorat Skoltech. étudiant dans le programme Science et Génie des Matériaux.
Par rapport à d’autres solutions, les auteurs voient le potentiel de la nouvelle méthode dans l’apprentissage actif sur les environnements atomiques locaux. Lors du calcul d'une grande structure comportant plusieurs centaines de milliers d'atomes, le MTP identifie quel atome fait une erreur dans les calculs ou est calculé de manière incorrecte. La raison en est peut-être l'ensemble de données de formation limité, qui empêche la prise en compte de toutes les configurations système possibles.
Un environnement local de cet atome est ensuite « découpé » et son énergie est calculée à l'aide de la mécanique quantique. Ensuite, les données sont réajoutées à l’ensemble de formation pour un apprentissage ultérieur. Au fur et à mesure que l'apprentissage à la volée progresse, les calculs se poursuivent jusqu'à ce qu'ils rencontrent une autre configuration qui doit être incluse dans le processus de formation. D'autres potentiels connus d'apprentissage automatique ne peuvent pas être appris sur de petites parties locales de grandes structures, ce qui limite leur applicabilité et leur précision.
"À titre d'exemple, nous avons étudié les propriétés mécaniques des polycristaux de diamant, qui sont les matériaux naturels les plus durs et souvent utilisés dans l'industrie, par exemple lors de la fabrication d'équipements de forage pour les puits de pétrole. Les résultats montrent que les propriétés mécaniques de ces diamants polycristallins dépendent sur la taille des grains :plus le grain est gros, plus les propriétés sont similaires à celles d'un diamant monocristallin", a poursuivi Jalolov.
Les auteurs ont souligné que cette approche permettra d'étudier les propriétés mécaniques des matériaux non monocristallins qui sont généralement synthétisés et utilisés dans des expériences, ainsi que de mener des études approfondies sur les matériaux polycristallins et composites et d'obtenir des données aussi proches que possible des résultats expérimentaux. /P>
"Dans la réalité, des matériaux qui ne sont pas des cristaux parfaits sont fréquemment utilisés en raison de leur incapacité à produire des cristaux parfaits pour répondre pleinement aux exigences d'un équipement spécifique."
"Le carbure de tungstène et le cobalt en sont un bon exemple. En ajoutant du cobalt au carbure de tungstène, le matériau devient plus résistant aux fissures, ce qui le rend si précieux dans les applications. La nouvelle méthode nous permettra d'étudier les causes et les moyens d'altérer les propriétés mécaniques. propriétés de ces systèmes multiphasés au niveau atomique", a déclaré Alexander Kvashnin, responsable de la recherche et professeur au Centre de transition énergétique.
Plus d'informations : Faridun N. Jalolov et al, Propriétés mécaniques des solides monocristallins et polycristallins issues de l'apprentissage automatique, Théorie et simulations avancées (2024). DOI : 10.1002/adts.202301171
Fourni par l'Institut des sciences et technologies de Skolkovo