КАРТОЧКА
ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер 18-13-00479
НазваниеПрименение машинного обучения для построения моделей межатомного взаимодействия
РуководительШапеев Александр Васильевич, кандидат наук (признаваемый в РФ PhD)
Организация финансирования, регион Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий», г Москва
Период выполнения при поддержке РНФ | 2018 г. - 2020 г. | , продлен на 2021 - 2022. Карточка проекта продления (ссылка) |
Конкурс№28 - Конкурс 2018 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами».
Область знания, основной код классификатора 03 - Химия и науки о материалах, 03-604 - Многомасштабное компьютерное моделирование структуры и свойств материалов
Ключевые словаМашинное обучение, активное обучение, межатомные потенциалы, молекулярное моделирование, компьютерное материаловедение, предсказание кристаллической структуры
Код ГРНТИ29.19.03
СтатусУспешно завершен
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
Множество научных исследований в области материаловедения, молекулярной физики, химии и биологии использует метод атомистического (или молекулярного) моделирования. Атомистическое моделирование обычно основано на использовании либо (полу-)эмпирических межатомных потенциалов, либо квантовомеханических моделей межатомного взаимодействия. Модели первого класса вычислительно эффективны, однако их точность зачастую недостаточна в практических приложениях. Использование моделей второго класса позволяет получать результаты с высокой точностью, однако такие модели чрезвычайно затратны. В то же время, широкий круг практических задач не может быть решён без точной и одновременно высокопроизводительной (быстрой) модели межатомного взаимодействия.
Данный проект направлен на (1) построение и развитие новых моделей межатомного взаимодействия на основе машинного обучения, сочетающих вычислительную эффективность и достаточную точность, и (2) их применение для решения широкого круга практических задач. Такие модели характеризуются набором параметров (обычно, от 100 до 5000), которые находятся в результате обучения на данных квантовомеханических расчётов. После обучения машиннообучаемая модель сможет воспроизводить поведение квантовомеханических моделей.
В ходе этого проекта мы намерены разработать новый класс потенциалов на основе машинного обучения, способных описывать атомистические системы с различными типами атомов. Помимо этого, мы будем использовать активное обучение для построения обучающей выборки на лету, таким образом будет решена проблема переносимости машинно-обученных потенциалов. Это позволит впервые решить ряд задач компьютерного материаловедения, которые до сих пор не удавалось решить классическими методами. В частности, мы (1) проведём поиск новых кристаллических структур бора, лития, натрия и железа (при давлениях и температурах земного ядра); (2) изучим поведение сложных структур и дефектов в твёрдых телах с контролируемой точностью; (3) разработаем метод для точного вычисления свободной энергии и теплопроводности кристаллической решётки; (4) проведём прямое моделирование редких событий в атомистической системе с высокой точностью; (5) разработаем метод точного моделирования систем с большим числом атомов с различными типами связей, (6) применим разработанные потенциалы к предсказанию устойчивых сплавов и расчету фазовых диаграмм. Что не менее важно, будет проведена апробация разработанной модели межатомного взаимодействия на основе машинного обучения. Это позволит нам и научному сообществу в целом использовать эту методологию для других важных задач вычислительного материаловедения, где одновременно важны точность и вычислительная эффективность.
Ожидаемые результаты
1. Будут разработаны модели межатомного взаимодействия на основе машинного обучения, описывающие взаимодействие в многокомпонентных (т.е. с несколькими химически различными типами атомов) системах (к настоящему моменту авторами заявки разработаны и проходят апробацию модели описывающие межатомное взаимодействие в системах с одним типом атомов). Будет также разработана методология оптимального обучения таких потенциалов. Разрабатываемые авторами заявки модели межатомного взаимодействия в целом превосходят аналогичные разработки других научных групп.
Использование высокопроизводительных машиннообучаемых моделей межатомного взаимодействия вместо чрезвычайно затратных квантовомеханических позволит не только экономить время и вычислительные ресурсы, но и позволит решать задачи, ранее практически невыполнимые из-за недостатка вычислительных ресурсов. Например, станет возможным с высокой точностью моделировать различные атомистические системы большого размера (вплоть до миллиардов атомов) на длительных временах (вплоть до сотен наносекунд). Это позволит рассчитывать из первых принципов различные свойства материалов, моделировать различные неравновесные процессы и химические реакции, придаст мощный импульс развитию атомистического моделирования и областям науки, основанных на нём (в частности, вычислительному материаловедению, вычислительной химии).
2. Разработанные модели межатомного взаимодействия будут реализованы в программном пакете с открытым исходным кодом, разрабатываемым авторами данной заявки. Пакет будет включать все основные методы работы с машиннообучаемыми моделями межатомного взаимодействия: отбор оптимальной обучающей выборки, обучение, вычисление энергии атомистических систем, а также сил, действующих на атомы. Помимо этого, будут разработаны средства интеграции с квантовомеханическими пакетами, а также с пакетами атомистического моделирования. Пакет будет свободно распространяться и будет бесплатным для академического использования, что позволит научным группам по всему миру применять его для решения исследовательских и практических задач.
Высокопроизводительная модель межатомного взаимодействия достаточно точно воспроизводящая квантовомеханическую позволит впервые решить ряд задач атомистического моделирования с удовлетворительной точностью, что будет являться большим шагом вперёд в развитии вычислительного материаловедения. В частности, мы покажем эффективность нашей модели при решении следующих задач материаловедения, что, также, позволит нам апробировать нашу модель.
3. Моделирование динамики решетки. Для расчёта многих теплофизических и механических свойств материала необходимо моделировать большие системы в течение длительного времени. С использованием теории функционала плотности в качестве модели межатомного взаимодействия это требует больших вычислительных мощностей. С другой стороны, использование (полу-)эмпирических потенциалов не позволяет получить результаты с удовлетворительной точностью. Использование машиннообучаемых моделей позволит решать этот класс задач на несколько порядков быстрее с достаточной точностью.
4. Изучение сложных структур и дефектов. Структуры и конфигурации состоящие из атомов с существенно различными локальными окружениями могут возникать за счет образования дефектов в высокосимметричной кристаллической решетке (ядра дислокаций, межзеренные границы), а также могут быть вызваны низкой симметрией кристаллической решетки как таковой. В некоторых случаях локальное окружение может менять тип химической связи, например, существуют различные типы гибридизации углерода (в графите и алмазе). Использование теории функционала плотности в задачах этого класса затруднено ввиду необходимости рассматривать большие системы (вследствие медленного затухания полей напряжений и вытекающими сложностями с постановкой граничных условий). С другой стороны, существующие полуэмпирические потенциалы имеют недостаточную чувствительность к изменениям локальной структуры. Использование машиннообучаемых моделей позволит моделировать системы с дефектами. Первые работы, где предпринимаются попытки решить похожие задачи, стали появляться только в последнее пару лет. Причём эти работы также основаны на машиннообучаемых потенциалах взаимодействия.
5. Прямое моделирование редких событий. Основная проблема при расчёте параметров таких процессов заключается в необходимости моделировать динамику системы на протяжении длительного времени, требуемого для того, чтобы редкое событие произошло, что исключает возможность решения таких задач с помощью теории функционала плотности. С другой стороны, использование менее ресурсоемких полуэмпирических межатомных потенциалов зачастую приводит к существенным расхождениям с экспериментальными данными, иногда до нескольких порядков в величине коэффициента диффузии. Подобные задачи до сих пор не решались на основе машиннообучаемых моделей ввиду необходимости применения методов активного обучения, которые были разработаны сравнительно недавно (Podryabinkin&Shapeev 2017).
6. Предсказание кристаллических структур бора, лития, натрия и железа под давлением. Известно, что эти соединения формируют чрезвычайно сложные структуры с большим количеством атомов в элементарной ячейке. До сих пор эти задачи не могли быть решены на основе теории функционала плотности вследствие чрезвычайных требований к вычислительным ресурсам. Нахождение этих структур и исследование энергетического ландшафта лития и натрия под давлением поможет лучше понять химию высоких давлений. Для железа мы осуществим поиск кристаллической структуры в условиях ядра Земли (давление 330-364 ГПа, температура 5000-6000К) с целью прояснить, какую структуру имеет железо в этой части нашей планеты. В настоящий момент это неизвестно: внутреннее ядро Земли более анизотропно, чем это следует из ГПУ-структуры, что говорит о том, что существует какая-то еще структура, стабилизируемая давлением и/или неоднородностями. Мы будем исследовать температурную стабилизацию и эффекты наиболее важных примесей (Ni, Si, S, возможно, O, C, H). Данное исследование будет иметь большое значение для наук о Земле.
7. Планируется разработать подходы, автоматизирующие определение устойчивых структур сплавов, построение фазовых диаграмм, расчёт свойств материалов и веществ на основе атомистического моделирования и наших машиннообучаемых моделей межатомного взаимодействия. Выполнение этого пункта является важным шагом на пути к компьютерному дизайну материалов.
8. Исследование стабильности многокомпонентных сплавов. Планируется определить границы области однофазного существования многокомпонентных твердых растворов, а также рассмотреть кинетику их возможного распада. В частности, будет рассчитано изменение энергии Гиббса в процессе выделения различных фаз, а также проведена оценка диффузионных свойств материала. Другим примером использования машиннообучаемых моделей будет моделирование взаимодействий типа металл-неметалл, это позволит корректно описывать неметаллические легирующие добавки (например, углерод, серу и фосфор) в металлах и сплавах.
В результате реализации этого проекта будет сформирован научный коллектив с уникальным междисциплинарным опытом, который позволит решить ряд важных задач современного материаловедения (основываясь на атомистическом моделировании). В частности, мы разработаем новые подходы для многомасштабного моделирования материалов:
а) материалы в экстремальных условиях (высокое давление, высокая температура);
б) материалы, подверженные облучению, для ядерных и термоядерных приложений;
в) материалы нового класса, такие как термоэлектрики и насыщенные многокомпонентные сплавы, которые могут быть использованы в авиационной и авиакосмической промышленности, а также в энергетическом секторе.
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Аннотация результатов, полученных в 2018 году
В рамках первого года проекта разработаны машинно-обучаемые потенциалы (МОП) межатомного взаимодействия для описания многокомпонентных систем, а также методика активного обучения этих потенциалов, которая позволяет автоматически выбирать репрезентативные конфигурации для обучения. МОП в комбинации с подходом активного обучения были апробированы на квантово-механической базе данных, содержащей информацию о структуре и свойствах более чем 130000 органических молекул. В сравнении с существующими на момент выполнения работ моделями межатомного взаимодействия, разработанные в настоящем проекте МОП обладают лучшей точностью и требуют меньше данных для достижения точности 1 ккал/моль. Алгоритм активного обучения позволил значительно уменьшить максимальную ошибку обучения в сравнении со случайным отбором конфигураций.
Комбинация МОП и алгоритма активного обучения позволила многократно ускорить затратные в вычислительном плане квантово-механические вычисления, и за счет этого успешно решить ряд задач атомистического моделирования, таких как моделирование динамики решетки, расчеты фононного спектра, свободной энергии (для стабильных фаз алюминия и молибдена, а также нестабильной ОЦК фазы урана и титана), диффузия точечных дефектов в материалах (для алюминия, молибдена и кремния), предсказание кристаллических структур (на примере структур бора и сложных фаз натрия при высоких давлениях), предсказание новых стабильных сплавов (на примере бинарного сплава Cu-Pd, а также тернарных сплавов Co-Nb-V и Al-Ni-Ti), исследование фазовых переходов высокоэнтропийного сплава NbMoTaW, расчет скоростей химических реакций в вакууме (для систем OH+H2 и CH4+CN).
Помимо применения МОП и алгоритма активного обучения для задач атомистического моделирования, исследовались две стратегии повышения точности МОП: увеличение числа параметров обучения МОП и добавление к нему модели эквилибрирования зарядов (charge-equilibration model, QEq model), которая учитывает дальние взаимодействия атомов. На примере диоксида кремния, в которой предполагается наличие ионных связей, было установлено, что комбинация МОП и QEq не уменьшает ошибку обучения самого МОП, в то время как увеличения числа параметров МОП увеличивает и его точность.
Еще одним важным результатом работ по итогам первого года проекта является реализация многокомпонентных МОП в программном пакете MLIP, а также интеграция этого кода с пакетами: Gaussian, LAMMPS, ASE, VASP, Pymatnest. Разработанный комплекс программ используется научными коллективами в разных странах и доступен по ссылке http://mlip.skoltech.ru/
Публикации
1. Губаев К.В., Подрябинкин Е.В., Харт Г.Л., Шапеев А.В. Accelerating high-throughput searches for new alloys with active learning of interatomic potentials Computational Materials Science, Elsevier, Volume 156, Pages 148-156 (год публикации - 2019) https://doi.org/10.1016/j.commatsci.2018.09.031
2. Новиков И.С., Сулейманов Ю.В., Шапеев А.В. Automated calculation of thermal rate coefficients using ring polymer molecular dynamics and machine-learning interatomic potentials with active learning Physical Chemistry Chemical Physics, Royal Society of Chemistry, Volume 20, Issue 46, 29503-29512 (год публикации - 2018) https://doi.org/10.1039/c8cp06037a
3. Новиков И.С., Шапеев А.В. Improving accuracy of interatomic potentials: more physics or more data? A case study of silica Materials Today Communications, Elsevier, Volume 18, Pages 74-80 (год публикации - 2019) https://doi.org/10.1016/j.mtcomm.2018.11.008
Аннотация результатов, полученных в 2019 году
Второй год реализации проекта в основном был посвящен объединению и разработке методов, позволяющих решать ряд задач атомистического моделирования, с машинно-обучаемыми потенциалами (МОП) межатомного взаимодействия и алгоритмом активного обучения. Комбинация МОП и таких методов, как TU-TILD, Nested Sampling, Ring Polymer Molecular Dynamics, молекулярнодинамического моделирования и Монте-Карло позволило достичь следующих результатов (соответственно): рассчитать свободную энергию с учетом энтропии ангармонических вибраций (для многокомпонентного эквимолярного сплава NbTaMoWV), построить фазовую диаграмму бинарного сплава AgPd во всём диапазоне концентраций и температур, рассчитать скорость безбарьерной химической реакции S+H2->SH+H для различных температур, получить зависимость теплопроводности решётки скуттерудита CoSb3 от температур, исследовать фазовый переход порядок-беспорядок в эквиатомном сплаве VCoNi, исследовать эволюцию микроструктуры титанового сплава Ti-9Al-2V.
Разработанный в рамках проекта МОП (Moment Tensor Potential, MTP) сравнивался с другими потенциалами: GAP, MBTR, кластерным разложением (cluster expansion, CE). Потенциалы сравнивались по точности предсказания энергий образования упорядоченных структур 10-ти бинарных сплавов (AgCu, AlFe, AlMg, AlNi, AlTi, CoNi, CuFe, CuNi, FeV, NbNi). Было показано, что МОПы (MTPs), разрабатываемые в рамках настоящего проекта, более точны как в случае их построения и использования для отдельных бинарных систем, так и при построении единого потенциала, описывающего все десять рассмотренных бинарных систем.
Кроме решения вышеописанных задач, в отчетном году, на основе гауссовских процессов, также был разработан метод предсказания свойств материалов вместе с доверительным интервалом без систематической ошибки, связанной с выбором двух гиперпараметров пакета VASP: энергии обрезания плосковолнового базиса (ENCUT) и плотности сетки К-точек. Предложенный подход апробирован ГЦК фазы алюминия. Этот метод позволяет полностью автоматически (не “вручную”) подбирать гиперпараметры первопринципных расчетов, в частности, пакета VASP, который используются в рамках проекта для построения базы данных с целью последующего обучения МОП.
Актуальная версия программного пакета MLIP, разрабатываемого и используемого участниками научного коллектива, доступна по ссылке http://mlip.skoltech.ru/
Публикации
1. Грабовски Б., Икеда Ю., Сринивасан П., Корманн Ф., Фрейсолдт К., Иан Дафф Э., Шапеев А., Нойгебауэр Й. Ab initio vibrational free energies including anharmonicity for multicomponent alloys npj Computational Materials, Nature Publishing Group, Volume 5, Pages 1-6 (год публикации - 2019) https://doi.org/10.1038/s41524-019-0218-8
2. Зафари-Задех А., Ху К., Ласковски Р., Браничио П., Шапеев А. Applying a machine learning interatomic potential to unravel the effects of local lattice distortion on the elastic properties of multi-principal element alloys Journal of Alloys and Compounds, Elsevier, Volume 803, Pages 1054-1062 (год публикации - 2019) https://doi.org/10.1016/j.jallcom.2019.06.318
3. Коротаев П., Новоселов И., Янилкин А., Шапеев А. Accessing thermal conductivity of complex compounds by machine learning interatomic potentials Physical Review B, APS, Volume 100, Pages 144308 (год публикации - 2019) https://doi.org/10.1103/PhysRevB.100.144308
4. Костюченко Т., Корманн Ф., Нойгебауэр Й., Шапеев А. Impact of lattice relaxations on phase transitions in a high-entropy alloy studied by machine-learning potentials npj Computational Materials, Nature Publishing Group, Volume 5, Pages 1-7 (год публикации - 2019) https://doi.org/10.1038/s41524-019-0195-y
5. Ладыгин В., Коротаев П., Янилкин А., Шапеев А. Lattice dynamics simulation using machine learning interatomic potentials Computational Materials Science, Elsevier, Volume 172, Pages 109333 (год публикации - 2020) https://doi.org/10.1016/j.commatsci.2019.109333
6. Мешков Е., Новоселов И., Шапеев А., Янилкин А. Sublattice formation in CoCrFeNi high-entropy alloy Intermetallics, Elsevier, Volume 112, Pages 106542 (год публикации - 2019) https://doi.org/10.1016/j.intermet.2019.106542
7. Нишэдхэм Г., Рупп М., Беккер Б., Шапеев А., Мюллер Т., Розенброк К., Цзаньи Г., Уингэйт Д., Харт Г. Machine-learned multi-system surrogate models for materials prediction npj Computational Materials, Nature Publishing Group, Volume 5, Pages 1-6 (год публикации - 2019) https://doi.org/10.1038/s41524-019-0189-9
8. Новиков И., Шапеев А., Сулейманов Ю. Ring polymer molecular dynamics and active learning of moment tensor potential for gas-phase barrierless reactions: Application to S + H2 Journal of Chemical Physics, AIP, Volume 151, Issue 22, Pages 224105 (год публикации - 2019) https://doi.org/10.1063/1.5127561
9. Новоселов И., Янилкин А., Шапеев А., Подрябинкин Е. Moment tensor potentials as a promising tool to study diffusion processes Computational Materials Science, Elsevier, Volume 164, Pages 46-56 (год публикации - 2019) https://doi.org/10.1016/j.commatsci.2019.03.049
10. Подрябинкин Е., Тихонов Е., Шапеев А., Оганов А. Accelerating crystal structure prediction by machine-learning interatomic potentials with active learning Physical Review B, APS, Volume 99, Pages 064114 (год публикации - 2019) https://doi.org/10.1103/PhysRevB.99.064114
11. - Искусственный интеллект из "Сколтеха" ускорил квантовые расчеты РИА Новости, Accelerating high-throughput searches for new alloys with active learning of interatomic potentials (Konstantin Gubaev, Evgeny V. Podryabinkin, Gus L. W. Hart, Alexander V. Shapeev), Computational Materials Science, volume 156, pages 148-156, 2019. (год публикации - )
12. - Математики обучили машину квантовой механике так, что она больше не ошибается Газета.Ru, Accelerating high-throughput searches for new alloys with active learning of interatomic potentials (Konstantin Gubaev, Evgeny V. Podryabinkin, Gus L. W. Hart, Alexander V. Shapeev), Computational Materials Science, volume 156, pages 148-156, 2019. (год публикации - )
Аннотация результатов, полученных в 2020 году
Третий год реализации настоящего проекта был посвящен расширению алгоритма активного обучения на обучение по локальным атомным окружениям потенциалов MTP (Moment Tensor Potential), разрабатываемых в данном проекте и относящихся к классу машинно-обучаемых потенциалов (МОПов). Модифицированная версия алгоритма активного обучения позволила рассчитать твёрдость материалов из первых принципов на основе атомистического моделирования процесса наноиндентирования. Кроме того, разработанный метод активного обучения по локальным атомным окружениям дал возможность сконструировать МОПы, позволяющие моделировать движение винтовых дислокаций (screw dislocations) в вольфраме. Была воспроизведена структура ядра дислокации, барьер Пайерлса (Peierls barrier) и напряжение Пайерлса (Peierls stress) с точностью, сопоставимой с первопринципными вычислениями.
В отчетном году было показано, что разработанные МОПы позволяют исследовать различные свойства двумерных материалов. Так, были рассчитаны фононные спектры и групповые фононные скорости ряда двумерных материалов, а именно углеродных структур (графен, фа-графен, пента-графен, хаэкелиты, графин (graphyne)), бинарных материалов (нитриды углерода, нитрид бора, дихалькогениды переходных металлов (MX2, M= Mo, W and X=S, Se, Te), SiP2, As2Se3) и трехкомпонентных материалов (BC10N2, BC6N6, BC6N-Hex., BC6N-Rec., BrCuTe2, ICuTe2), с точностью, близкой к первопринципным вычислениям. Помимо фононных свойств двумерных материалов, с помощью комбинации МОПов и решения кинетического уравнения Больцмана (Boltzmann transport equation) были рассчитаны коэффициенты теплопроводности различных двумерных материалов (графен, пента-графен, силицен, фосфорен, F-diamane, MoS2). Рассчитанные с помощью МОПов коэффициенты теплопроводности близки по значениям к большей части соответствующих теоретически и экспериментально полученных коэффициентов. С помощью разработанного метода расчёта теплопроводности исследована зависимость теплопроводности диамана (diamane, экспериментально полученного недавно двумерного материала, состоящего из двух слоёв углерода с решёткой алмаза) от допирования его поверхности атомами водорода, хлора или фтора. Показано, что наибольшей теплопроводностью обладают нанолисты, допированные атомами водорода. С помощью МОП предсказано существование и доказана термодинамическая устойчивость двумерных материалов на основе углерода и азота, C3N6 и C3N4 (помимо известных и недавно синтезированных). Более того, методом неравновесной молекулярной динамики показано, что новые соединения обладают низкой теплопроводностью. Наконец, МОПы были использованы в молекулярно-динамическом моделировании для расчёта упругих свойств материалов при конечной температуре. Так была рассчитана теплопроводность графена, теплопроводность моноатомных листов бора, и влияние линии контакта между ними на теплопроводность, после чего полученные данные были использованы для моделирования теплопроводности гетерогенного материала на макроуровне методом конечных элементов.
Еще одним важным результатом работ по итогам третьего года реализации проекта является разработка потенциалов LRP (Low-Rank Potential), относящихся к классу МОПов на решетке для описания вакансионных кластеров и поверхности в сплавах на основе железа FeCr, FeCrAl, FeCrSi. Для этой задачи ошибка обучения потенциалов LRP составила менее 1 мэВ/атом. С помощью созданных МОПов рассчитаны химические потенциалы вакансий и поверхностного натяжения в различных сплавах как ключевых величин, определяющих энергию связи в больших вакансионных кластерах. Показано, что все легирующие элементы приводят к снижению химического потенциала, тогда как поверхностное натяжение меняется по-разному. Введение хрома приводит к увеличению поверхностного натяжения, а алюминия и кремния -- к уменьшению.
В отчетном году разработан метод построения МОПов для многокомпонентных систем с переменным составом на примере YbxCo4Sb12. С помощью МОПов и молекулярно-динамического моделирования удалось количественно воспроизвести понижение теплопроводности решётки при повышении концентрации Yb (степени заполнения). Этот эффект имеет важное практическое применение для разработки термоэлектрических материалов на основе скуттерудитов.
На третьем году реализации проекта на основе метода кластерного разложения и машинного обучения предложен метод предсказания новых сплавов "на решетке". Метод основан на переборе комбинаций типов атомов в заданной кристаллической решётке (в данном исследовании -- объемно-центрированная кубическая решетка и гране-центрированная кубическая решетка) и отборе низкоэнергетических структур. Разработанный метод был протестирован путем построения выпуклой оболочки устойчивых соединений ниобия и вольфрама. Построенная оболочка сопоставлена с аналогичной оболочкой из базы данных AFLOW. Среди предсказанных алгоритмом сплавов было зафиксировано наличие как ранее известных сплавов, так и новых соединений.
В отчетном году на примере баз данных, созданных с помощью первопринципных вычислений и включающих литий, молибден, медь, никель, кремний и германий было продемонстрировано, что Moment Tensor Potentials (MTPs, МОПы, используемые в настоящем проекте), обученные на этих базах данных, сравнимы по точности и превосходят в производительности (требуют наименьшее компьютерное время для расчетов) такие широко используемые в мире машинно-обучаемые потенциалы, как Neural Network Potentials (NNPs), Spectral Neighbor Analysis Potential (SNAP) bispectrum components и Gaussian Approximation Potentials (GAPs).
Помимо вышеописанных исследований, в третьем году году был доработан программный пакет, в котором реализованы МОПы, используемые в рамках настоящего проекта. Опубликована статья, описывающая функциональную форму MTP, методику активного обучения (active learning), а также примеры практического применения кода -- MLIP-2 -- для решения задач атомистического моделирования. Доступ к пакету можно получить на веб-сайте https://mlip.skoltech.ru/.
Публикации
1. Ван Ци, Дин Джюн, Чанг Лонгфей, Подрябинкин Е.В., Шапеев А.В., Ма Эван Predicting the propensity for thermally activated β events in metallic glasses via interpretable machine learning npj Computational Materials, Nature Publishing Group, Volume 6, pages 1-12 (год публикации - 2020) https://doi.org/10.1038/s41524-020-00467-4
2. Коротаев П.Ю., Шапеев А.В. Lattice dynamics of YbxCo4Sb12 skutterudite by machine-learning interatomic potentials: Effect of filler concentration and disorder Physical Review B, APS, Volume 102, Pages 184305 (год публикации - 2020) https://doi.org/10.1103/PhysRevB.102.184305
3. Мортазави Б., Новиков И.С., Подрябинкин Е.В., Роше С., Рабчук Т., Шапеев А.В., Чжуан С. Exploring phononic properties of two-dimensional materials using machine learning interatomic potentials Applied Materials Today, Elsevier, Volume 20, Pages 100685 (год публикации - 2020) https://doi.org/10.1016/j.apmt.2020.100685
4. Мортазави Б., Подрябинкин Е.В., Новиков И.С., Рабчук Т., Шапеев А.В.,Чжуан С. Accelerating first-principles estimation of thermal conductivity by machine-learning interatomic potentials: A MTP/ShengBTE solution Computer Physics Communications, Elsevier, Volume 258, Pages 107583 (год публикации - 2021) https://doi.org/10.1016/j.cpc.2020.107583
5. Мортазави Б., Подрябинкин Е.В., Новиков И.С., Роше С., Рабчук Т., Чжуан С., Шапеев А.В. Efficient machine-learning based interatomic potentials for exploring thermal conductivity in two-dimensional materials Journal of Physics: Materials, IOP Publishing, Number 2, Volume 3, Pages 02LT02 (год публикации - 2020) https://doi.org/10.1088/2515-7639/ab7cbb
6. Мортазави Б., Подрябинкин Е.В., Роше С., Рабчук Т., Чжуан С., Шапеев А.В. Machine-learning interatomic potentials enable first-principles multiscale modeling of lattice thermal conductivity in graphene/borophene heterostructures Materials Horizons, Royal Society of Chemistry, Number 9, Volume 7, Pages 2359-2367 (год публикации - 2020) https://doi.org/10.1039/D0MH00787K
7. Мортазави Б., Шожаеи Ф., Шахрохи М., Азизи М., Рабчук Т., Шапеев А.В., Чжуан С. Nanoporous C3N4, C3N5 and C3N6 nanosheets; novel strong semiconductors with low thermal conductivities and appealing optical/electronic properties Carbon, Elsevier, Volume 167, Pages 40-50 (год публикации - 2020) https://doi.org/10.1016/j.carbon.2020.05.105
8. Новиков И.С., Губаев К., Подрябинкин Е.В., Шапеев А.В. The MLIP package: Moment Tensor Potentials with MPI and Active Learning Machine Learning: Science and Technology, IOP Publishing, - (год публикации - 2020) https://doi.org/10.1088/2632-2153/abc9fe
9. Раейзи М., Мортазави Б., Подрябинкин Е.В., Шожаеи Ф., Чжуан С., Шапеев А.В. High thermal conductivity in semiconducting Janus and non-Janus diamanes Carbon, Elsevier, Volume 167, Pages 51-61 (год публикации - 2020) https://doi.org/10.1016/j.carbon.2020.06.007
10. Розенброк К., Губаев К., Шапеев А.В., Партай Л., Бернштейн Н., Габор Ц., Харт Г. Machine-learned Interatomic Potentials for Alloys and Alloy Phase Diagrams npj Computational Materials, Nature Publishing Group, - (год публикации - 2021)
11. Ходапп М., Шапеев А.В. In operando active learning of interatomic interaction during large-scale simulations Machine Learning: Science and Technology, IOP Publishing, Number 1, Volume 4, Pages 045005 (год публикации - 2020) https://doi.org/10.1088/2632-2153/aba373
12. Цзо Ю., Чен Ч., Ли С., Дэн Ч., Чен И., Бейлер Й., Цзаньи Г., Шапеев А.В,, Томсон А., Вуд М., Пин Он Щ. Performance and cost assessment of machine learning interatomic potentials J. Phys. Chem. A, American Chemical Society, Number 4, Volume 124, Pages 731-745 (год публикации - 2020) https://doi.org/10.1021/acs.jpca.9b08723
Возможность практического использования результатов
Алгоритмы построения межатомных потенциалов, разработанные в рамках данного проекта, позволяют проводить имитационное моделирование материалов на атомарном уровне в масштабах, не доступных ранее. Данные алгоритмы могут использоваться при разработке новых материалов - и, действиетльно, уже используются в НИР (научно-исследовательских работах), проводимых в рамках проекта "Прорыв" госкорпорации "Росатом".