Ученые Уральского федерального университета, Института металлургии УрО РАН и Института физики высоких давлений РАН обнаружили неожиданное свойство искусственного интеллекта — распространять «навыки» описания свойств одних металлических сплавов на другие, значительно отличающиеся по составу и свойствам. Эта способность существенно облегчает задачу моделирования новых материалов с заданными свойствами. Коллеги дали открытому явлению оригинальное определение: композиционная переносимость. Статья о проведенных исследованиях и с описанием результатов опубликована в Journal of Molecular Liquids.
Открытие произошло в ходе «тренировки» потенциалов машинного обучения на основе глубоких нейронных сетей. Потенциалы машинного обучения, Deep Neural Network Potentials, DNNP — разновидность межатомных потенциалов машинного обучения, Machine Learning Interatomic Potentials, MLIP, математических функций; позволяют описывать взаимодействие атомов в системе, характеризовать их движение и пространственное положение. Глубокие нейросети — высокопроизводительные вычислительные системы, построенные на принципах организации и деятельности мозга и состоящие из нескольких слоев; используются, в том числе, для распознавания объектов, речи, машинного перевода.
«Нашей задачей было установить, какие параметры — количество слоев нейросети, количество нейронов в каждом слое и т. д. — оказывают наиболее существенное влияние на DNNP, на условия обучения потенциалов, такие как скорость и стабильность. Знания, полученные в результате исследований, позволяют увеличить точность и вычислительную производительность DNNP», — комментирует Роман Рыльцев, профессор учебно-научного центра «Информационная безопасность» УрФУ, заведующий лабораторией неупорядоченных систем Института металлургии УрО РАН, руководитель исследований и соавтор статьи.
В качестве «испытательного стенда» ученые использовали расплавы алюминия, меди и никеля. Эти расплавы были выбраны как химически сложная, многокомпонентная, при этом хорошо изученная система, пригодная и удобная для тщательного тестирования потенциалов. Кроме того, данные сплавы отличаются особой антикоррозийной стойкостью и жаропрочностью и поэтому имеют большое практическое значение.
Исследователи «обкатали» и «настроили» на десяти составах расплавов алюминия, меди и никеля несколько десятков потенциалов с разными значениями параметров. По итогам численных экспериментов выявлены приоритетные параметры, определяющие эффективность DNNP, определено их программное воплощение, наиболее оптимальное с точки зрения точности и скорости вычислений и прогнозов. Выяснилось, что процедура сжатия выбранной модели DNNP, напоминающая архивацию файлов, увеличивает вычислительную производительность потенциалов в шесть раз, при соблюдении прежней точности вычислений и прогнозов.
Дальнейшие исследования ученых нацелены на то, чтобы выяснить, является ли композиционная переносимость универсальной чертой DNNP, и способны ли они «опознавать», описывать и моделировать системы с большим количеством компонентов, чем расплавы алюминия, меди и никеля, в том числе твердофазные.
«Но и уже полученные данные открывают перспективы разработки универсальных потенциалов для высокоточного, высокопроизводительного и экономичного прогнозирования, программирования и создания широкого спектра новых материалов с заданной структурой и свойствами (твердости, вязкости, проводимости и т. д.), конкретно — многокомпонентных металлических сплавов», — резюмирует Роман Рыльцев.
О значительности проведенных исследований говорит поддержка грантами Российского научного фонда (№№ 18-12-00438, 19-73-20053) и использование вычислительных ресурсов крупнейших вычислительных центров России на базе НИЦ «Курчатовский институт», Межведомственного суперкомпьютерного центра Российской академии наук и Института математики и механики УрО РАН.
Источник: УрФУ им. Б. Н. Ельцина
