מסגרת לעקיפת חישובי DFT יקרים לחלוטין באמצעות רשתות גרפים נוירוניות לחיזוי אנרגיית היווצרות חורונות בסגסוגות אנטרופיה גבוהה ב-FCC

למה תכנון חכם של מתכות חשוב

ממנועי סילון ועד כורים גרעיניים, מהנדסים נסמכים על סגסוגות מתקדמות שיכולות לעמוד בחום, בעומס ובהקרנה לאורך שנים רבות. קבוצה מיוחדת הנקראת סגסוגות אנטרופיה גבוהה מערבבת כמה מתכות יחד, ויוצרת שכנות אטומיות מורכבות שיכולות להפוך את החומרים לחזקים ויציבים. אך חיזוי ההשפעה של פגמים זעירים בתוכן דורש בדרך כלל חישובים קוואנטיים יקרים במיוחד. מחקר זה מציג קיצור דרך שמחליף את רוב החישובים הכבדים הללו בלמידת מכונה, ופותח את הדלת לחקירה מהירה יותר של סגסוגות חדשות ועמידות יותר.

פערים זעירים שמנווטים שינויים חומריים גדולים

בתוך כל מתכת, תמיד חסרים כמה אטומים מהמיקומים הסדירים שלהם, ויוצרים חורונות. הפערים המיקרוסקופיים הללו מסייעים לקבוע איך האטומים נעים, איך המתכת מעוותת ואיך היא משתנה לאט תחת לחץ או חום. גודל מרכזי שנקרא אנרגיית היווצרות החור מודד כמה קשה ליצור פער כזה. בסגסוגות אנטרופיה גבוהה, שבהן אטומים מסוגים שונים עם גדלים ונכונות שונה לחלוק אלקטרונים מעורבבים באופן אקראי, אנרגיה זו יכולה להשתנות באופן ניכר מאתר לאתר. הבנת שונות זו חיונית לחיזוי עמידות ל־creep, חוזק ויציבות לטווח ארוך, אך חישוב מדויק שלה בשיטות מסורתיות איטי מאוד.

שתי טביעות אצבע פשוטות של התנהגות מורכבת

המחברים מראים ששתי טביעות אצבע מקומיות לוכדות רב מהמורכבות של חורונות בסגסוגות אלה: הנפח סביב אטום ואופן שינוי המטען החשמלי בין האטומים השכנים. אם אטומים בגדלים שונים משתתפים ברשת, המרחב סביב חור פוטנציאלי יכול להימתח או להתכווץ, מה שמשנה את האנרגיה הדרושה ליצירת פער. בצורה דומה, כאשר יסודות עם נכונות שונה למשוך אלקטרונים יושבים זה לצד זה, מטען זורם ביניהם ומשנה בעדינות את הקשירה. באמצעות חקירת סגסוגות פשוטות יותר בינאריות וטרינריות בטיפוס פנים־מרכזי (FCC), הצוות מדגים מגמות ברורות: בחלק מהסגסוגות אנרגיית החור עולה עם הנפח המקומי, באחרות היא מתיישרת עם כמות המטען שנרכשת או מאבידה, ובמקרים מסוימים שניהם משולבים.

בניית תחליף דיגיטלי לחישובים כבדים

כדי ללכוד את ההשפעות הללו בלי לחזור שוב ושוב לסימולציות קוואנטיות יקרות, החוקרים מתכננים זרם עבודה בלמידת מכונה בשלושה שלבים. ראשית, הם מכוונים בעדינות מודל עצבי קיים בשם CHGNet כך שיוכל להרפות במדויק את מיקומי האטומים בסגסוגות אקראיות ולשחזר את העיוותים הדקים של הרשת הנצפים במערכות אנטרופיה גבוהה. שנית, הם מאמנים רשת עצבית גרפית מותאמת לחזות כיצד המטען מתחלק בין האטומים במבנים המרופדים הללו, באמצעות מידע שמקורו רק בסביבה המקומית. שלישית, הם מזינים גם את המבנה וגם את המטענים החזויים למודל גרפי נוסף שמוציא את אנרגיית היווצרות החור בכל אתר אטומי. מהותי הוא שאחרי שהמודלים מאומנים על מסד נתונים צנוע של סגסוגות קטנות ופשוטות יותר, ניתן להחילם על סגסוגות גדולות ומורכבות בהרבה מבלי לחזור לשיטת הקוואנטום היקרה המקורית.

הקנה מידה לגודליות סבירה של סגסוגות

עם המסגרת הזאת, הצוות בוחן אותה על סגסוגות אנטרופיה גבוהה של ניקל–נחושת–זהב–פלדיום ולאחר מכן מרחיב לסגסוגות שמכילות ניקל, קובלט וכרום. לאחר כמות קטנה של נתוני אימון נוספים מהמערכת החדשה, המודלים שומרים על מה שלמדו קודם ובו זמנית רוכשים את היכולת להתמודד עם הכימיה החדשה. הם יכולים לחזות אנרגיות חור ברמת דיוק הקרובה לחישובים קוואנטיים אך בעלות ובזמן חלקיקים מהקטנה מהם. השיטה עובדת גם על סופר־תאים בגודל של אלפי אטומים, שהם מעבר להישג יד של סימולציות קוואנטיות סטנדרטיות, ומאפשרת לחוקרים לחקור ייצוגים ריאליסטיים יותר של סגסוגות בלתי־סדירות.

מה זה אומר לחומרים העתידיים

במילים פשוטות, עבודה זו מראה שמודלים של למידת מכונה המתוכננים בקפידה יכולים לשמש תחליף מהימן לחישובים פיזיקליים כבדי משקל כשבוחנים פגמים זעירים בסגסוגות מורכבות. על ידי התמקדות בכמה טביעות אצבע בעלות משמעות פיזיקלית ואימון על מערכות פשוטות יותר, המחברים יוצרים כלי שיכול לסרוק במהירות מרחבי עיצוב עצומים כדי למצוא סגסוגות עם התנהגות פגמים רצויה. זה אינו מוחק לחלוטין את הצורך בחישובים קוואנטיים, אבל הוא מקטין במידה רבה את התדירות שבה הם נדרשים, מה שהופך את החיפוש והגיבוש של חומרים מבניים לדור הבא לפרקטי הרבה יותר.

ציטוט: Linton, N., Singh, P. & Aidhy, D.S. Framework to completely bypass expensive DFT calculations via graph neural networks for vacancy formation energy predictions in FCC high entropy alloys. npj Comput Mater 12, 175 (2026). https://doi.org/10.1038/s41524-026-02037-6

מילות מפתח: סגסוגות אנטרופיה גבוהה, אנרגיית היווצרות חור, רשתות עצביות גרפיות, תורת הפונקציונל הצפיפות, למידת מכונה בחומרים