Новые модели межатомных взаимодействий в магнитных материалах

Международная команда ученых предложила новый подход к обучению моделей межатомных взаимодействий в магнитных материалах. Благодаря этому методу стало возможным значительно повысить точность и надежность компьютерных предсказаний свойств таких веществ — от магнитов до спинтронных устройств. Ключ к успеху — использование в обучении так называемых магнитных сил. Работа опубликована в журнале Computational Materials Science при поддержке Российского научного фонда.
Магнитные материалы — часть повседневности. Они везде: от стрелки компаса и магнитов на холодильнике до жестких дисков, МРТ-сканеров и датчиков в промышленности. Управление их свойствами на уровне атомов — это путь к новым технологиям: спинтронике, адресной доставке лекарств с помощью магнитных наночастиц, сверхчувствительным сенсорам.

Компьютер против ускорителя
Изучать такие материалы можно в лаборатории — но это долго, дорого и требует чистейших образцов. Альтернатива — компьютерное моделирование. Один из самых точных методов — теория функционала плотности (DFT), основанная на квантовой механике. Но она чрезвычайно ресурсоемка: смоделировать хотя бы несколько тысяч атомов — уже непросто, а ведь именно в таких масштабах проявляются важнейшие свойства, включая дефекты и фазовые переходы.
На помощь приходят машинно-обучаемые межатомные потенциалы — модели, которые учатся предсказывать поведение атомов по данным из квантовых расчетов. Они в десятки и сотни раз быстрее DFT, позволяя моделировать сложные процессы и крупные системы. Но у этих моделей есть слабое место.
Обычные ML-потенциалы плохо справляются с задачами, где важны магнитные свойства. Ведь они не учитывают направление и величину магнитных моментов атомов. Чтобы исправить это, ученые разработали магнитные межатомные потенциалы. Но цена за точность — еще больше сложных и дорогих расчетов: теперь нужно знать не только силы между атомами, но и как ведут себя их магнитные «стрелки».
Здесь-то и пришла на помощь идея, лежащая в основе новой работы: включить в обучение дополнительный тип данных — магнитные силы, то есть, грубо говоря, производные энергии по магнитным моментам. Это как если бы модель не только видела, в какую сторону тянут атомы, но и чувствовала «напряжение» в их магнитных полях.

Что сделали ученые?
Они обучили модели на энергиях, силах, напряжениях и магнитных силах для более 2600 атомных конфигураций сплава железо-алюминий (Fe-Al) — интересного с точки зрения магнетизма материала. Затем сравнили два подхода: классический и новый. Результат — в пользу последнего:

• Ошибки в предсказании магнитных сил снизились на порядок;
• Точность предсказания энергий и обычных сил осталась такой же;
• Модели точнее угадывали магнитные моменты атомов;
• Самое главное — повысилась надежность симуляций. Модели, обученные на магнитных силах, успешно справлялись с задачами релаксации структуры, тогда как обычные — нет.

Надежность — не роскошь, а необходимость
В виртуальных экспериментах надежность модели — все. Если симуляция «падает» или выдает нефизичный результат, на нее нельзя опереться. Новый подход показал стопроцентную надежность при релаксации структур. А значит, даже с ограниченным набором данных можно обучить мощную и предсказуемую модель.

Разработанный потенциал протестировали в моделировании теплового расширения Fe-Al при 300 K. Полученные данные совпали с экспериментами: модель не только работала, но и показала, что способна отражать температурные эффекты. Это открывает дорогу к использованию подхода в задачах динамики, фазовых переходов и далее.

Иван Новиков, доцент факультета компьютерных наук НИУ ВШЭ, доцент кафедры химической физики функциональных материалов МФТИ, старший научный сотрудник Сколковского института науки и технологий, комментирует: «Магнитные силы, как правило, игнорируют при обучении, но мы показали, что они несут ценную информацию о взаимодействиях в системе. Учитывая их, мы не просто повысили точность, но и обеспечили надежность симуляций — даже при небольшом объеме обучающих данных».
Метод можно объединить с алгоритмами активного обучения, которые в реальном времени определяют, какие данные еще нужны. Это еще сильнее снижает затраты на квантовые расчеты. Надежные ML-потенциалы с магнитным интеллектом откроют путь к:

• быстрому скринингу новых магнитных сплавов и материалов;
• разработке компонентов спинтроники и магнито-калорических устройств;
• исследованию структур с тысячами атомов, включая дефекты и границы;
• определению температур магнитных переходов, включая температуру Кюри;
• улучшению магнитных свойств генераторов, электродвигателей и МРТ.

В работе участвовали ученые из Сколтеха, МФТИ, ВШЭ,  Института химии твердого тела и механохимии СО РАН, Института биохимической физики им. Н.М. Эмануэля РАН, а также их коллеги из Германии, Норвегии, США и Австрии.

Источник: Магнитные материалы под прицелом искусственного интеллекта — За науку