ارایه روش جدیدی برای پیش‌بینی خواص آلیاژ مغناطیسی به کمک یادگیری ماشین

خلاصه خبر:
 

محققان روش جدیدی را برای مدل سازی کامپیوتری آلیاژهای مغناطیسی با استفاده از یادگیری ماشین توسعه داده اند. این روش که mMTP یا همان پتانسیل تانسور گشتاور مغناطیسی نام دارد، به طور دقیق انرژی، ویژگی های مکانیکی و مغناطیسی آلیاژهای آهن و آلومینیوم را پیش بینی می کند. این روش با در نظر گرفتن گشتاورهای مغناطیسی اتم هایی که به مغناطیس کمک می کنند، دقت مدل سازی مواد مغناطیسی را بهبود می بخشد. محققان پنج مدل mMTP را با استفاده از یک مجموعه داده به دست آمده از محاسبات مکانیک کوانتومی آموزش دادند. مدل‌ها با موفقیت گشتاورهای مغناطیسی در تعادل و بردارهای شبکه آلیاژ آهن-آلومینیوم را پیش‌بینی کردند. با اینکه عدم تطابق کمی در خواص مغناطیسی آلیاژ در نسبت‌های آلومینیومی بالا وجود داشت، روش جدید نتایج امیدوارکننده‌ای را نشان داد.

توضیحات تکمیلی:

محققان Skoltech، MIPT و همکاران بین المللی آنها رویکرد جدیدی را برای مدل سازی کامپیوتری آلیاژهای مغناطیسی با استفاده از یادگیری ماشین ایجاد کرده اند. این روش به طور دقیق انرژی، خواص مکانیکی و مغناطیسی یک آلیاژ آهن-آلومینیوم را با در نظر گرفتن گشتاورهای مغناطیسی اتم‌ها که به مغناطیس کمک می‌کنند، پیش‌بینی کرد. این مطالعه که در Scientific Reports منتشر شده است، گام مهمی در جهت مدل‌سازی نیترید کروم است، یک ماده بسیار بادوام و مقاوم در برابر خوردگی که در کاربردهای مختلف مورد استفاده قرار می‌گیرد.
 

مدل‌سازی رایانه‌ای مواد معمولاً شامل یک مبادله بین سرعت و دقت است. محاسبات مکانیکی کوانتومی، مانند حل معادله شرودینگر، دقت بالایی ارائه می‌دهند، اما از نظر محاسباتی فشرده هستند. برای سرعت بخشیدن به محاسبات، تئوری تابعی چگالی (DFT) اغلب استفاده می شود که به جای حل معادله کامل، چگالی الکترون را تقریبی می کند. با این حال، DFT دقت را در سیستم های بزرگتر قربانی می کند.
 

یک راه حل امیدوارکننده، استفاده از یادگیری ماشین برای توسعه پتانسیل های بین اتمی آموزش دیده بر روی محاسبات مکانیک کوانتومی است. با این حال، پتانسیل‌های یادگیری ماشین موجود، گشتاورهای مغناطیسی اتم‌ها را در نظر نمی‌گیرند، که منجر به خطا در مدل‌سازی مواد مغناطیسی می‌شود.
 

محققان یک پتانسیل بین اتمی یادگیری ماشین جدید به نام پتانسیل تانسور گشتاور مغناطیسی (mMTP) توسعه دادند. آنها mMTP ها را بر روی یک مجموعه داده ایجاد شده با استفاده از محاسبات مکانیکی کوانتومی، که شامل طیف وسیعی از گشتاورهای مغناطیسی غیرتعادلی، موقعیت های اتمی و بردارهای شبکه بود، آموزش دادند.
 

دقت mMTP ها روی یک آلیاژ آهن-آلومینیوم با ترکیبات مختلف آزمایش شد. پیش‌بینی پتانسیل‌های انرژی‌های تشکیل آلیاژ، پارامترهای شبکه تعادل، و گشتاورهای مغناطیسی کل به خوبی با آن‌هایی که از محاسبات DFT به‌دست می‌آیند همسو می‌شوند. این مطالعه همچنین وابستگی ترکیب حجم غیرعادی مشاهده شده تجربی را در سیستم Fe-Al بازتولید کرد.
 

محققان قصد دارند روش خود را با ترکیب یادگیری فعال، خودکارسازی انتخاب تنظیمات مناسب برای آموزش پتانسیل، افزایش دهند. این امکان مطالعه سیستم ها و مواد پارامغناطیس چند جزئی را در دماهای غیر صفر فراهم می کند.
 

توسعه mMTP ها که گشتاورهای مغناطیسی را به عنوان ویژگی هایی در پتانسیل های یادگیری ماشین در نظر می گیرند، فرصت های جدیدی را برای مدل سازی دقیق مواد مغناطیسی باز می کند. این پتانسیل را دارد که طراحی و اکتشاف مواد جدید با خواص مغناطیسی مطلوب مانند نیترید کروم را تسریع بخشد و به پیشرفت در علم و مهندسی مواد کمک کند.

منبع

Alexey S. Kotykhov et al, Constrained DFT-based magnetic machine-learning potentials for magnetic alloys: a case study of Fe–Al, Scientific Reports (2023). DOI: 10.1038/s41598-023-46951-x