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

---